TF與keras指定執行時顯示卡及限制GPU用量

keras在使用gpu的時候有個特點，就是預設全部佔滿視訊記憶體。這樣如果有多個模型都需要使用gpu跑的話，那麼限制是很大的，而且對於gpu也是一種浪費。因此在使用keras時需要有意識的設定執行時使用那塊顯示卡，需要使用多少容量。

這方面的設定一般有三種情況：

1. 指定顯示卡

2. 限制gpu用量

3. 即指定顯示卡又限制gpu用量

檢視gpu使用情況語句（linux）

# 1秒鐘重新整理一次

watch -n 1 nvidia-smi

import os

os.environ["cuda_visible_devices"] = "2"

這裡指定了使用編號為2的gpu，大家可以根據需要和實際情況來指定使用的gpu二、限制gpu用量

1、設定使用gpu的百分比

import tensorflow as tf

import keras.backend.tensorflow_backend as ktf

#進行配置，使用30%的gpu

config = tf.configproto()

config.gpu_options.per_process_gpu_memory_fraction = 0.3

session = tf.session(config=config)# 設定session

ktf.set_session(session )

需要注意的是，雖然**或配置層面設定了對視訊記憶體占用百分比閾值，但在實際執行中如果達到了這個閾值，程式有需要的話還是會突破這個閾值。換而言之如果跑在乙個大資料集上還是會用到更多的視訊記憶體。以上的視訊記憶體限制僅僅為了在跑小資料集時避免對視訊記憶體的浪費而已。

import tensorflow as tf

import keras.backend.tensorflow_backend as ktf

config = tf.configproto()

config.gpu_options.allow_growth=true #不全部佔滿視訊記憶體, 按需分配

session = tf.session(config=config)

# 設定session

ktf.set_session(sess)

這個比較簡單，就是講上面兩種情況連上即可。。。

import os

import tensorflow as tf

import keras.backend.tensorflow_backend as ktf

# 指定第一塊gpu可用

os.environ["cuda_visible_devices"] = "0"

config = tf.configproto()

config.gpu_options.allow_growth=true #不全部佔滿視訊記憶體, 按需分配

sess = tf.session(config=config)

ktf.set_session(sess)