本机配置：
cpu：i5-4500H
gpu：gtx 950M
照例，先查看本机可以使用的设备
在spyder中输入：
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices()) 
也就是说，我可以选择调用cpu，也可以选择调用gpu。
先上测试代码：
import tensorflow as tf
from keras.datasets import mnist
from keras import models
from keras import layers
from keras.utils import to_categorical
with tf.device('/gpu:0'): #选择使用的设备，设备编号之前已经得到
(train_images,train_labels),(test_images,test_labels)=mnist.load_data()
network=models.Sequential()
network.add(layers.Dense(512,activation='relu',input_shape=(28*28,)))
network.add(layers.Dense(10,activation='softmax'))
network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
train_images=train_images.reshape((60000,28*28))
train_images=train_images.astype('float32')/255
test_images=test_images.reshape((10000,28*28))
test_images=test_images.astype('float32')/255
train_labels=to_categorical(train_labels)
test_labels=to_categorical(test_labels)
network.fit(train_images,train_labels,epochs=5,batch_size=32)我在windows10 环境下，通过keras框架，对比cpu和gpu训练神经网络的速度时使用过这段代码，所以我就不多介绍了。
但是要注意的是我加了注释的那一行代码，那一行用于选择执行任务的设备，简单地说就是选择cpu或者gpu。
gpu运行结果：
除了第一个epoch以外其他的epoch耗时只需要6秒，这个速度比在windows系统中使用gpu训练还快，可能这就是普遍采用linux系统来训练神经网络的一个原因吧。
平均epoch：6s
平均step：104us
cpu运行结果：
在ubuntu系统下cpu训练神经网络的速度也比在windows环境下要快。
平均epoch：11s
平均step：180us
总结：在ubuntu系统下，使用同样的配置和同样的框架，使用gpu训练简单的神经网络相比于使用cpu训练相同的神经网络可以节省约42%的时间。
在windows环境下gpu和cpu训练相同的神经网络速度对比可以见链接：