Table of Contents
软硬件：
- GTX1063
- CUDA9.1
- TensorFlow-gpu
- Pycharm
- python3.6
TensorFlow-gpu信息
import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))获取如下信息：
2019-03-02 14:32:43.615840: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties:
name: GeForce GTX 1060 3GB major: 6 minor: 1 memoryClockRate(GHz): 1.7335
pciBusID: 0000:01:00.0
totalMemory: 3.00GiB freeMemory: 2.42GiB
2019-03-02 14:32:43.616103: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1511] Adding visible gpu devices: 0
2019-03-02 14:32:44.358785: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-03-02 14:32:44.358937: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988] 0
2019-03-02 14:32:44.359027: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0: N
2019-03-02 14:32:44.359277: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 2115 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1060 3GB, pci bus id: 0000:01:00.0, compute capability: 6.1)
TensorFlow—gpu使用方法（1）
如果电脑有多个GPU，tensorflow默认全部使用。如果想只使用部分GPU，可以设置CUDA_VISIBLE_DEVICES。在执行python程序时，可以通过如下方式初始化：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"当python编译器找到相应的devices之后就会自动启用GPU来进行计算。
TensorFlow—gpu使用方法（2）
在方法1中，我们使用了简单的命令来调用GPU，但是这会使得实际使用中的GPU显存利用率交由系统，而我们无法再进行动态分配和管理，因此，在启用GPU时应当对显存使用形式及利用率进行定义，进而防止因爆显存而死机的现象。
A. 定量设置显存
默认tensorflow是使用GPU尽可能多的显存。可以通过下面的方式，来设置使用的GPU显存：
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
分配给tensorflow的GPU显存大小为：GPU实际显存*0.7。
可以按照需要，设置不同的值，来分配显存。
B. 按需设置显存
上面的只能设置固定的大小。如果想按需分配，可以使用allow_growth参数
gpu_options = tf.GPUOptions(allow_growth=True)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))