參考文章：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 預備知識

分屏指令：tmux

這個指令有好多介紹了，就不詳細贅述了。https://www.cnblogs.com/kevingrace/p/6496899.html

nvidia-smi

nvidia-smi是Nvidia顯卡命令行管理套件，基于NVML庫，旨在管理和監控Nvidia GPU設備。

圖1

1 gpustat

這里推薦一個好用的小工具：gpustat, 直接pip install gpustat即可安裝，gpustat 基于nvidia-smi，可以提供更美觀簡潔的展示，結合 watch 命令，可以動態實時監控 GPU 的使用情況。

watch --color -n1 gpustat -cpu

效果如下：

（忘記截圖了，copy別人的）.png

讓TensorFlow代碼跑在GPU上

GPU占用問題
TensorFlow可能會占用視線可見的所有GPU資源

• 查看gpu占用情況：gpustat
  在python代碼中加入：
  os.environ['CUDA_VISIBLE_DEVICES'] = '0' os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'
• 設置使用固定的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
• 運行代碼時
  CUDA_VISIBLE_DEVICES=0 python3 main.py
  T- ensorFlow自己提供的兩種控制GPU資源的方法：
  1.在運行過程中動態申請顯存，需要多少就申請多少

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代碼
目前沒有考慮在代碼各個部分手動分配時GPU還是CPU
所以用 with tf.device(self.device): 把所有網絡結構包了起來
然后用 config = tf.ConfigProto(gpu_options=gpu_options,allow_soft_placement=True) 讓TensorFlow自己去分配了