参考文章：https://www.cnblogs.com/vincent1997/p/10896299.html
https://blog.csdn.net/nkhgl/article/details/83957020
https://blog.csdn.net/u010412858/article/details/83110947
https://blog.csdn.net/qq_18649781/article/details/89405977
0 预备知识
分屏指令：tmux
这个指令有好多介绍了，就不详细赘述了。https://www.cnblogs.com/kevingrace/p/6496899.html
nvidia-smi
nvidia-smi是Nvidia显卡命令行管理套件，基于NVML库，旨在管理和监控Nvidia GPU设备。
图1
1 gpustat
这里推荐一个好用的小工具：gpustat, 直接pip install gpustat即可安装，gpustat 基于nvidia-smi，可以提供更美观简洁的展示，结合 watch 命令，可以动态实时监控 GPU 的使用情况。
watch --color -n1 gpustat -cpu
效果如下：
（忘记截图了，copy别人的）.png
让TensorFlow代码跑在GPU上
GPU占用问题
TensorFlow可能会占用视线可见的所有GPU资源
- 查看gpu占用情况：gpustat
在python代码中加入：
os.environ['CUDA_VISIBLE_DEVICES'] = '0' os.environ['CUDA_VISIBLE_DEVICES'] = '0,1' - 设置使用固定的gpu：
CUDA_VISIBLE_DEVICES=1 Only device 1 will be seen CUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will be visible CUDA_VISIBLE_DEVICES=”0,1” Same as above, quotation marks are optional CUDA_VISIBLE_DEVICES=0,2,3 Devices 0, 2, 3 will be visible; device 1 is masked - 运行代码时
CUDA_VISIBLE_DEVICES=0 python3 main.py
T- ensorFlow自己提供的两种控制GPU资源的方法：
1.在运行过程中动态申请显存，需要多少就申请多少
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)
2.限制GPU的使用率
gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.4)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)
TensorFlow代码
目前没有考虑在代码各个部分手动分配时GPU还是CPU
所以用 with tf.device(self.device): 把所有网络结构包了起来
然后用 config = tf.ConfigProto(gpu_options=gpu_options,allow_soft_placement=True) 让TensorFlow自己去分配了
