有些服务器上可能安装了多块GPU供大家共同使用，为了不产生冲突，有时需要按情况指定自己的程序具体在哪些GPU上运行。

（注意：本文主要参考了，我这里主要是记录一下，以后自己再用到的时候方便查找）

下面是实验室GPU的情况：

下面是具体的方法：

1. 在python代码中通过CUDA_VISIBLE_DEVICES来指定

比如，我要使用上面编号为“3”的GPU来运行我的程序，则需要在自己的程序中加入以下代码：

1 import os2 os.environ('CUDA_VISIBLE_DEVICES') = '3'

下面可以通过命令：nvidia-smi 来查看GPU的使用情况：

可以看到编号为“3”的GPU已经被我占用了，而其他几块GPU则没被占用，这种就相当于在我们运行程序的时候，将除编号为“3”的GPU以外的其他GPU全部屏蔽了，只有编号为“3”的GPU对当前运行的程序是可见的。

 同样，如果要占用多块GPU的话，比如使用编号为”1，2“的GPU来训练，则上面的代码可以改成：

import osos.environ('CUDA_VISIBLE_DEVICES')='1,2'

2. 在终端执行.py文件时通过CUDA_VISIBLE_DEVICES来指定

 该方法与方法1本质上是一样的，只不过一个是在代码中指定GPU，一个是在执行代码的命令行中指定GPU。

命令行形式如下：

CUDA_VISIBLE_DEVICES=1 python train.py

3. 在python代码中通过tf.device()函数来指定训练时所要使用的GPU

比如，我要使用上面编号为“1”的GPU来运行我的程序，则需要在自己的程序中加入以下代码：

import tensorflow as tftf.device('/gpu:1')

下面是实验结果（注：我自己没尝试这种方式，所以下面的实验结果图示直接用的博客中的）：

可以看到，这样指定GPU还是有一点毛病的。虽然指定了第“1“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1块GPU上进行。所以，最好使用前面介绍的第1,2种方法。