我本来会在TensorFlow中引入通用模块TF.Config，如何合理地分配图形卡资源并设置视频内存使用策略。
指定当前程序使用的GPU
很多时候场景是：实验室/公司研究小组中有许多学生/研究人员需要使用多个GPU工作站，默认情况下，TensorFlow将使用他们可以使用的所有GPU。在此时间序列。
首先，通过tf.config.expermentim.list_physical_devices，我们可以在当前主机上获取某些类型的计算设备（例如GPU或CPU）的列表，例如，使用4 GPU和CPU上运行以下代码，并带有4 GPU和CPU，4 GPU和CPU。
输出：
可以看出，工作站有4个GPU：GPU：0，GPU：1，GPU：2。GPU：3和A CPU CPU：0.0。当前程序（当前程序仅使用您自己的设备，当前程序将不会使用无形设备）。例如，如果我们需要限制上述4卡机器中的当前程序，则程序仅使用两张图形卡，较低的出价为0和1（GPU：0和GPU：1），您可以使用以下代码：
使用环境变量的提示CUDA_VISIBLE_DEVICES还可以控制程序使用的GPU。确定发现四个卡上的图形卡，图形卡2,3 idle，linux终端输入：
或添加到代码
您只能在图形卡2,3上指定程序。
设置内存和内存使用策略
默认情况下，TensorFlow将使用几乎所有可用的内存来避免由Macaroshilation造成的性能损失。但是，TensorFlow提供两种视频内存使用策略，使我们能够更灵活地控制程序的视频记忆：仅适用于内存：需要时（过程最初运行）；
限制内存固定大小的消耗（如果超出错误，则程序将不会超过有限的内存大小）。
您可以将gpu的视频内存使用策略设置为“仅在需要时申请存储空间”，tf.config.experental.set_memory_growth。以下代码设置了所有GPU，以便在需要时申请存储空间：
），：，，，
提示即tensorflow 1.x的图形执行可以在实例化新会话时将其传递到tf.compat.configphoto类中。特定方法是实例tf.configproto类，设置参数，并在创建tf.compat.v1时指定配置参数。
以下代码集张紧Flow固定的GPU视频内存使用PER_PROCESS_GPU_MEMORY_FRACTION选项：TensorFlow固定消耗了GPU视频内存的40％：
单GPU仿真多GPU环境
当我们的本地开发环境仅是一个GPU时，但是当我们需要编写一个多GPU程序来在工作站上执行培训任务时，TensorFlow为我们提供了一个方便的功能，使我们能够在本地开发环境中建立多个模拟GPU。结果，多GPU程序调试变得更加方便。以下代码根据物理GPU GPU：0建立了两个使用2GB的虚拟GPU。
我们将上述代码添加到截言时，当输出设备的数量数量时，该程序将输出：
设备数量：2