tf.Session：创建一个新的TensorFlow会话。
tf.Session(self, target='', graph=None, config=None)如果在构造会话时未指定`graph`参数，则默认图将在会话中启动。 如果在同一过程中使用多个图（通过tf.Graph（）创建），则每个图必须使用不同的会话，但是每个图可以在多个会话中使用。 在这种情况下，将要显式启动的图传递给会话构造函数通常更为清晰。
Args:
target：（可选）要连接的执行引擎。 默认为使用进程内引擎。
graph：（可选）要启动的“图”。
config ：（可选）一个[ConfigProto`]协议缓冲区，带有会话的配置选项。
查看机器上GPU情况:
命令： nvidia-smi
功能：显示机器上gpu的情况
其中左上侧有0、1的编号，表示GPU的编号，在后面指定GPU时需要使用这个编号。
命令： nvidia-smi -l
功能：定时更新显示机器上gpu的情况
使用tf.ConfigProto()配置Session运行参数：
tf.ConfigProto()函数用在创建session的时候，用来对session进行参数配置：
config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)
config.gpu_options.per_process_gpu_memory_fraction = 0.4 #占用40%GPU显存
sess = tf.Session(config=config)记录设备指派情况 : tf.ConfigProto(log_device_placement=True)
设置tf.ConfigProto()中参数log_device_placement = True ,可以获取到 operations 和 Tensor 被指派到哪个设备(几号CPU或几号GPU)上运行,会在终端打印出各项操作是在哪个设备上运行的。
自动选择运行设备 ： tf.ConfigProto(allow_soft_placement=True)
在tf中，通过命令 "with tf.device('/cpu:0'):",允许手动设置操作运行的设备。如果手动设置的设备不存在或者不可用，就会导致tf程序等待或异常，为了防止这种情况，可以设置tf.ConfigProto()中参数allow_soft_placement=True，允许tf自动选择一个存在并且可用的设备来运行操作。
限制GPU资源使用：
为了加快运行效率，TensorFlow在初始化时会尝试分配所有可用的GPU显存资源给自己，这在多人使用的服务器上工作就会导致GPU占用，别人无法使用GPU工作的情况。
tf提供了两种控制GPU资源使用的方法，一是让TensorFlow在运行过程中动态申请显存，需要多少就申请多少;第二种方式就是限制GPU的使用率。
1.动态申请显存:
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)2.限制GPU使用率:
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.4 #占用40%GPU显存
session = tf.Session(config=config)或者：
gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.4)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)指定GPU：
1.在python程序中设置：
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0' #使用 GPU 0
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1' # 使用 GPU 0，12.在执行python程序时指定：
这样在跑你的网络之前，告诉程序只能看到0,1号GPU，其他的GPU它不可见
CUDA_VISIBLE_DEVICES=0,1 python python_filename.py