最近又要用到深度学习模型训练这块的内容了，之前有些操作都忘记了，这里就想着把这些内容记录一下备忘。

       我们使用的是阿里云GPU服务器，由于有多个进程同时在训练计算，这里需要限定单个进程里面的GPU使用量，

       因为我只有一块显卡，所以这里指定GPU的编号都是 0 ，设定GPU使用量经常用到的方式主要有一下三种：

1、直接指定GPU的使用比例

import os
import tensorflow as tf
import keras.backend.tensorflow_backend as KTF
os.environ["CUDA_VISIBLE_DEVICES"] = "0"



#设定使用 40% 的GPU资源
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.4
session = tf.Session(config=config)
# 设置session
KTF.set_session(session)

2、设定GPU按照实时计算所需动态增长变化

import tensorflow as tf
import keras.backend.tensorflow_backend as KTF

config = tf.ConfigProto()  
config.gpu_options.allow_growth=True   #不全部占满显存, 按需分配
session = tf.Session(config=config)

# 设置session
KTF.set_session(session)

3、前面两种方式的综合，限定用量但是可以动态增长变化

import os
import tensorflow as tf
import keras.backend.tensorflow_backend as KTF


os.environ["CUDA_VISIBLE_DEVICES"] = "0"
config = tf.ConfigProto()  
config.gpu_options.allow_growth=True   #不全部占满显存, 按需分配
session = tf.Session(config=config)
KTF.set_session(session)

     然后，需要查看GPU使用情况的话Nvidia提供了 nvidia-smi 命令，可以很方便地进行查看，如下所示：

       如果想要动态刷新的话，我经常使用的是下面的命令：

watch -n 1 -d nvidia-smi

      效果如下所示：

      后续有用的技巧都会持续更新备忘！