在用tensorflow训练深度学习模型的时候，假设我们在训练之前没有指定GPU来进行训练，则默认的是选用第0块GPU来训练我们的模型，而且其它几块GPU的也会显示被占用。有些时候，我们更希望可以通过自己指定一块或者几块GPU来训练我们的模型，而不是用这种默认的方法。接下来将简单介绍两种简单的方法。
我们现有的GPU个数如下所示：
1.第一种是通过tf.device()函数来指定训练时所要使用的GPU.
假设我们要用我们的第2块GPU来训练模型，此时可以通过下面的代码来指定：
tf.device('/gpu:2')
实验效果如下：
我们可以看到，虽然指定了第2块GPU来训练，但是其它几个GPU也还是被占用，只是模型训练的时候，是在第2块GPU上进行。
2.通过CUDA_VISIBLE_DEVICES来指定.
同样使用第2块GPU来训练模型，我们可以在我们的python代码中加入：
import os
os.environ['CUDA_VISIBLE_DEVICES']='2'
实验效果如下：
我们可以看到，在训练模型的时候，使用了第2块GPU，并且其它几块GPU也没有被占，这种就相当于在我们运行程序的时候，将除第2块以外的GPU全部屏蔽了，只有第2块GPU对当前运行的程序是可见的。同样，如果要指定2，3块GPU来训练，则上面的代码可以改成：
os.environ['CUDA_VISIBLE_DEVICES']='2，3'
类似的如果还有更多的GPU要指定，都可以仿照上面的代码进行添加。
这种方法还可以在运行python程序的前面指定，比如：
CUDA_VISIBLE_DEVICES=2 python train.py
实现的功能就和上面的代码一样。
参考: