本文主要是介绍如何实现指定GPU，避免过多占用资源。

记录设备指派情况

为了获取你的 operations 和 Tensor 被指派到哪个设备上运行, 用 log_device_placement 新建一个 session, 并设置为 True.

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

代码中指定GPU

方法一

with tf.Session as sess:

with tf.device('/gpu:1'):

...

//若想在多块GPU上运行

with tf.Session as sess:

for d in ['/gpu:1','/gpu:2']:

with tf.device(d):

...

方法二

import os

os.environ["CUDA_DEVICES_ORDER"]="PCI_BUS_IS"

os.environ["CUDA_VISIBLE_DEVICES"]=1或"1"

//指定使用第二块GPU

终端中指定GPU

CUDA_VISIBLE_DEVICES=O,1 python3 main.py //程序只能使用GPU:1

CUDA_VISIBLE_DEVICES="0,1" //同上

CUDA_VISIBLE_DEVICES="" //禁止程序使用GPU

InvalidArgumentError GPU不能使用的问题

allow_soft_placement=True，就是在GPU跑不动程序的时候，自动切换到CPU运行，这种方式虽然能够确保程序的正常运行，但是却不能保证GPU出现问题能够及时的反馈.

查看GPU的状态

nvidia-smi //显示此刻状态

nvidia-smi -l //每隔几秒动态显示GPU状态（小写L)

watch -n 10 nvidia-smi //每隔10秒动态显示GPU状态

tf-gpu.jpg

参考资料