持續監控GPU使用情況命令：

$ watch -n 10 nvidia-smi

一、指定使用某個顯示卡

如果機器中有多塊GPU，tensorflow會預設吃掉所有能用的視訊記憶體， 如果實驗室多人公用一臺伺服器，希望指定使用特定某塊GPU。
可以在檔案開頭加入如下程式碼：

import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"] = "1"       # 使用第二塊GPU（從0開始）

也可以制定使用某幾塊GPU

import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"] = "0, 2"    # 使用第一, 三塊GPU
 

禁用GPU

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "-1"

支援的裝置

在一套標準系統中通常有多臺計算裝置。TensorFlow 支援 CPU 和 GPU 這兩種裝置。它們均用 strings 表示。例如：

"/cpu:0"：機器的 CPU。
"/device:GPU:0"：機器的 GPU（如果有一個）。
"/device:GPU:1"：機器的第二個 GPU（以此類推）。

如果 TensorFlow 指令中兼有 CPU 和 GPU 實現，當該指令分配到裝置時，GPU 裝置有優先權。例如，如果 matmul 同時存在 CPU 和 GPU 核函式，在同時有 cpu:0 和 gpu:0 裝置的系統中，gpu:0 會被選來執行 matmul。

記錄裝置分配方式

要找出您的指令和張量被分配到哪個裝置，請建立會話並將 log_device_placement 配置選項設為 True。

#Creates a graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
#Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
#Runs the op.
print(sess.run(c))
 

應該會看到以下輸出內容：

Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K40c, pci bus
id: 0000:05:00.0
b: /job:localhost/replica:0/task:0/device:GPU:0
a: /job:localhost/replica:0/task:0/device:GPU:0
MatMul: /job:localhost/replica:0/task:0/device:GPU:0
[[ 22.  28.]
 [ 49.  64.]]

手動分配裝置

如果您希望特定指令在您選擇的裝置（而非系統自動為您選擇的裝置）上執行，您可以使用 with tf.device 建立裝置上下文，這個上下文中的所有指令都將被分配在同一個裝置上執行。

# Creates a graph.
with tf.device('/cpu:0'):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))

您會看到現在 a 和 b 被分配到 cpu:0。由於未明確指定執行 MatMul 指令的裝置，因此 TensorFlow 執行時將根據指令和可用裝置（此示例中的 gpu:0）選擇一個裝置，並會根據要求自動複製裝置間的張量。

Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K40c, pci bus
id: 0000:05:00.0
b: /job:localhost/replica:0/task:0/cpu:0
a: /job:localhost/replica:0/task:0/cpu:0
MatMul: /job:localhost/replica:0/task:0/device:GPU:0
[[ 22.  28.]
 [ 49.  64.]]

允許增加 GPU 記憶體

預設情況下，TensorFlow 會對映程序可見的所有 GPU 的幾乎所有 GPU 記憶體（取決於 CUDA_VISIBLE_DEVICES）。通過減少記憶體碎片，可以更有效地使用裝置上相對寶貴的 GPU 記憶體資源。

在某些情況下，最理想的是程序只分配可用記憶體的一個子集，或者僅根據程序需要增加記憶體使用量。 TensorFlow 在 Session 上提供兩個 Config 選項來進行控制。

第一個是 allow_growth 選項，它試圖根據執行時的需要來分配 GPU 記憶體：它剛開始分配很少的記憶體，隨著 Session 開始執行並需要更多 GPU 記憶體，我們會擴充套件 TensorFlow 程序所需的 GPU 記憶體區域。請注意，我們不會釋放記憶體，因為這可能導致出現更嚴重的記憶體碎片情況。要開啟此選項，請通過以下方式在 ConfigProto 中設定選項：

config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config, ...)

第二個是 per_process_gpu_memory_fraction 選項，它可以決定每個可見 GPU 應分配到的記憶體佔總記憶體量的比例。例如，您可以通過以下方式指定 TensorFlow 僅分配每個 GPU 總記憶體的 40%：

config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.4
session = tf.Session(config=config, ...)

如要真正限制 TensorFlow 程序可使用的 GPU 記憶體量，這非常實用。

在多 GPU 系統中使用單一 GPU

如果您的系統中有多個 GPU，則預設情況下將選擇 ID 最小的 GPU。如果您希望在其他 GPU 上執行，則需要顯式指定偏好設定：

# Creates a graph.
with tf.device('/device:GPU:2'):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
  c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))

如果您指定的裝置不存在，您會看到 InvalidArgumentError：

InvalidArgumentError: Invalid argument: Cannot assign a device to node 'b':
Could not satisfy explicit device specification '/device:GPU:2'
   [[Node: b = Const[dtype=DT_FLOAT, value=Tensor<type: float shape: [3,2]
   values: 1 2 3...>, _device="/device:GPU:2"]()]]

當指定裝置不存在時，如果您希望 TensorFlow 自動選擇現有的受支援裝置來執行指令，則可以在建立會話時將配置選項中的 allow_soft_placement 設為 True。

# Creates a graph.
with tf.device('/device:GPU:2'):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
  c = tf.matmul(a, b)
# Creates a session with allow_soft_placement and log_device_placement set
# to True.
sess = tf.Session(config=tf.ConfigProto(
      allow_soft_placement=True, log_device_placement=True))
# Runs the op.
print(sess.run(c))

使用多個 GPU

如果您想要在多個 GPU 上執行 TensorFlow，則可以採用多塔式方式構建模型，其中每個塔都會分配給不同 GPU。例如：

# Creates a graph.
c = []
for d in ['/device:GPU:2', '/device:GPU:3']:
  with tf.device(d):
    a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3])
    b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2])
    c.append(tf.matmul(a, b))
with tf.device('/cpu:0'):
  sum = tf.add_n(c)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(sum))

您會看到以下輸出內容：

Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K20m, pci bus
id: 0000:02:00.0
/job:localhost/replica:0/task:0/device:GPU:1 -> device: 1, name: Tesla K20m, pci bus
id: 0000:03:00.0
/job:localhost/replica:0/task:0/device:GPU:2 -> device: 2, name: Tesla K20m, pci bus
id: 0000:83:00.0
/job:localhost/replica:0/task:0/device:GPU:3 -> device: 3, name: Tesla K20m, pci bus
id: 0000:84:00.0
Const_3: /job:localhost/replica:0/task:0/device:GPU:3
Const_2: /job:localhost/replica:0/task:0/device:GPU:3
MatMul_1: /job:localhost/replica:0/task:0/device:GPU:3
Const_1: /job:localhost/replica:0/task:0/device:GPU:2
Const: /job:localhost/replica:0/task:0/device:GPU:2
MatMul: /job:localhost/replica:0/task:0/device:GPU:2
AddN: /job:localhost/replica:0/task:0/cpu:0
[[  44.   56.]
 [  98.  128.]]

cifar10 教程就是個很好的例子，演示瞭如何使用多個 GPU 進行訓練。
見官方教程：https://www.tensorflow.org/programmers_guide/using_gpu?hl=zh-cn