指定GPU运算
如果下载的是GPU版本，在运行过程中TensorFlow能自动检测。如果检测到GPU，TensorFlow会尽可能地利用找到的第一个GPU来执行操作。
如果机器上有超过一个可用的GPU，除第一个之外的其他GPU默认是不参与计算的。为了让TensorFlow使用这些GPU，必须将OP明确指派给它们执行。with……device语句能用来指派特定的CPU或GPU执行操作：
with tf.Session() as sess:
with tf.device("/gpu:1"):
a = tf.placeholder(tf.int16)
b = tf.placeholder(tf.int16)
add = tf.add(a, b)
……
设备用字符串进行标识。目前支持的设备包括以下几种。
- cpu：0：机器的CPU。
- gpu：0：机器的第一个GPU，如果有的话。
- gpu：1：机器的第二个GPU，依此类推。
类似的还有通过tf.ConfigProto来构建一个config，在config中指定相关的GPU，并且在session中传入参数config="自己创建的config"来指定GPU操作。
#tf.ConfigProto函数的参数如下。
- log_device_placement=True：是否打印设备分配日志。
- allow_soft_placement=True：如果指定的设备不存在，允许TF自动分配设备。
使用举例：
config = tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)
session = tf.Session(config=config, ...)
设置GPU使用资源
上文的tf.ConfigProto函数生成config之后，还可以设置其属性来分配GPU的运算资源。如下代码就是按需分配的意思：
config.gpu_options.allow_growth = True
使用allow_growth option，刚开始会分配少量的GPU容量，然后按需慢慢地增加，由于不会释放内存，所以会导致碎片。
同样，上述代码也可以放在config创建的时指定，例如：
gpu_options = tf.GPUOptions(allow_growth=True)
config=tf.ConfigProto(gpu_options=gpu_options)
以下代码还可以给GPU分配固定大小的计算资源。
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
代表分配给tensorflow的GPU显存大小为：GPU实际显存×0.7。
