TensorFlow和keras使用gpu怎么配置
导读：本文共1642.5字符，通常情况下阅读需要5分钟。同时您也可以点击右侧朗读，来听本文内容。按键盘←（左） →（右） 方向键可以翻页。
摘要： 1. 训练运行时候指定GPU运行时候加一行代码：CUDA_VISIBLE_DEVICES=1pythontrain.py2. 运行过程中按需或者定量分配GPUtensorflow直接在开启Session时候加几行代码就行，而Keras指定GPU，并限制按需用量和TensorFlow不太一样，因为keras训练是封装好的，不好对Session操作。如下是两种对应的... ...
目录
(为您整理了一些要点),点击可以直达。
运行时候加一行代码：
tensorflow直接在开启Session时候加几行代码就行，而Keras指定GPU，并限制按需用量和TensorFlow不太一样，因为keras训练是封装好的，不好对Session操作。如下是两种对应的操作。
补充：Keras以及Tensorflow强制使用CPU，GPU
Keras如果是使用Theano后端的话，应该是自动不使用ＧＰＵ只是用ＣＰＵ的，启动ＧＰＵ使用Theano内部命令即可。
对于Tensorflow后端的Keras以及Tensorflow会自动使用可见的ＧＰＵ，而我需要其必须只运行在ＣＰＵ上。网上查到三种方法，最后一种方法对我有用，但也对三种都做如下记录：
使用tensorflow的 with tf.device('/cpu:0'):函数。简单操作就是把所有命令都放在前面所述的域里面。
使用tensorflow声明Session时的参数： 关于tensorflow中Session中的部分参数设置，以及Keras如何设置其调用的Tensorflow的Session，可以参见Keras设定GPU使用内存大小(Tensorflow backend)。
对于Tensorflow，声明Session的时候加入device_count={'gpu':0}即可，代码如下：
对于Keras,则调用后端函数，设置其使用如上定义的Session即可，代码如下：
对于多线程以及ＧＰＵ内存设置等可以参见Keras设定GPU使用内存大小(Tensorflow backend)。
3、第三种是使用CUDA_VISIBLE_DEVICES命令行参数，代码如下：
TensorFlow和keras使用gpu怎么配置的详细内容，希望对您有所帮助，信息来源于网络。