1.installation

windows

1.创建一个新的Anaconda环境而不是更新

2.安装支持gpu的tensorflow-gpu，pip代码

pip3 install --upgrade tensorflow-gpu

利用Anaconda安装

2.Ubuntu安装tensorflow(linux)

点击打开链接

要求：64位、Ubuntu16.04以上版本，NVDIA显卡，

NVDIA软件包括:CUDA® 工具包 9.0、与 CUDA 工具包 9.0 相关联的 NVIDIA 驱动程序、cuDNN v7.0

、CUDA 计算能力为 3.0 或更高的 GPU 卡（用于从源代码构建），以及 CUDA 计算能力为 3.5 或更高的 GPU 卡（用于安装我们的二进制文件）、libcupti-dev 库，这是 NVIDIA CUDA 分析工具接口。

如果您已安装前述软件包的旧版本，请升级到指定版本。如果升级不可行，您仍然可以运行支持 GPU 的 TensorFlow，但前提是您需要执行制定操作见链接

扫描二维码关注公众号，回复： 576029 查看本文章

4.确定如何安装Tensorflow

1.确定安装Tensorflow的方式（annconda）

2.安装

3.验证

3.using a GPU点击打开链接

点击打开链接（官网）

如果 TensorFlow 指令中兼有 CPU 和 GPU 实现，当该指令分配到设备时，GPU 设备有优先权

1.记录设备分配方式：要找出您的指令和张量被分配到哪个设备，请创建会话并将 log_device_placement 配置选项设为 True。

2.手动分配设备：如果您希望特定指令在您选择的设备（而非系统自动为您选择的设备）上运行，您可以使用 with tf.device 创建设备上下文，这个上下文中的所有指令都将被分配在同一个设备上运行。

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

点击打开链接（非官网）

import sys
import numpy as np
import tensorflow as tf
from datetime import datetime

device_name = sys.argv[1]  # Choose device from cmd line. Options: gpu or cpu
shape = (int(sys.argv[2]), int(sys.argv[2]))
if device_name == "gpu":
    device_name = "/gpu:0"
else:
    device_name = "/cpu:0"

with tf.device(device_name):
    random_matrix = tf.random_uniform(shape=shape, minval=0, maxval=1)
    dot_operation = tf.matmul(random_matrix, tf.transpose(random_matrix))
    sum_operation = tf.reduce_sum(dot_operation)


startTime = datetime.now()
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as session:
        result = session.run(sum_operation)
        print(result)

# It can be hard to see the results on the terminal with lots of output -- add some newlines to improve readability.
print("\n" * 5)
print("Shape:", shape, "Device:", device_name)
print("Time taken:", datetime.now() - startTime)

print("\n" * 5)

键入命令行

利用gpu计算代码python matmul.py gpu 1500

利用cpu计算代码python matmul.py cpu 1500

4.允许增加GPU内存

最理想的是进程只分配可用内存的一个子集，或者仅根据进程需要增加内存使用量。 TensorFlow 在 Session 上提供两个 Config 选项来进行控制。

1.allow_growth它刚开始分配很少的内存，随着 Session 开始运行并需要更多 GPU 内存，我们会扩展 TensorFlow 进程所需的 GPU 内存区域

2.per_process_gpu_memory_fraction它可以决定每个可见 GPU 应分配到的内存占总内存量的比例。例如，您可以通过以下方式指定 TensorFlow 仅分配每个 GPU 总内存的 40%

5.在多GPU系统中使用的一GPU

# 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))

6.使用多个GPU

如果您的系统中有多个 GPU，则默认情况下将选择 ID 最小的 GPU。如果您希望在其他 GPU 上运行，则需要显式指定偏好设置：

更详细的例子可以参考点击打开链接

5.6Installing GPU-enabled TensorFlow（需要gpu支持)和tensorflow使用GPU