版權聲明：本文為博主原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接和本聲明。
本文鏈接：https://blog.csdn.net/dcrmg/article/details/79091941
tf.ConfigProto()函數用在創建session的時候，用來對session進行參數配置：
config = tf.ConfigProto(allow_soft_placement=True, allow_soft_placement=True)
config.gpu_options.per_process_gpu_memory_fraction = 0.4 #占用40%顯存
sess = tf.Session(config=config)
1. 記錄設備指派情況 : tf.ConfigProto(log_device_placement=True)
設置tf.ConfigProto()中參數log_device_placement = True ,可以獲取到 operations 和 Tensor 被指派到哪個設備(幾號CPU或幾號GPU)上運行,會在終端打印出各項操作是在哪個設備上運行的。
2. 自動選擇運行設備 ： tf.ConfigProto(allow_soft_placement=True)
在tf中，通過命令 "with tf.device('/cpu:0'):",允許手動設置操作運行的設備。如果手動設置的設備不存在或者不可用，就會導致tf程序等待或異常，為了防止這種情況，可以設置tf.ConfigProto()中參數allow_soft_placement=True，允許tf自動選擇一個存在並且可用的設備來運行操作。
3. 限制GPU資源使用：
為了加快運行效率，TensorFlow在初始化時會嘗試分配所有可用的GPU顯存資源給自己，這在多人使用的服務器上工作就會導致GPU占用，別人無法使用GPU工作的情況。
tf提供了兩種控制GPU資源使用的方法，一是讓TensorFlow在運行過程中動態申請顯存，需要多少就申請多少;第二種方式就是限制GPU的使用率。
一、動態申請顯存
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)
二、限制GPU使用率
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.4 #占用40%顯存
session = tf.Session(config=config)
或者：
gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.4)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)
設置使用哪塊GPU
方法一、在python程序中設置：
os.environ['CUDA_VISIBLE_DEVICES'] = '0' #使用 GPU 0
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1' # 使用 GPU 0，1
方法二、在執行python程序時候：
CUDA_VISIBLE_DEVICES=0,1 python yourcode.py
推薦使用更靈活一點的第二種方法。