支持的设备
在一套标准的系统上通常有多个计算设备. TensorFlow 支持 CPU 和 GPU 这两种设备. 我们用指定字符串 strings 来标识这些设备. 比如:

“/cpu:0”: 机器中的 CPU
“/gpu:0”: 机器中的 GPU, 如果你有一个的话.
“/gpu:1”: 机器中的第二个 GPU, 以此类推…
如果一个 TensorFlow 的 operation 中兼有 CPU 和 GPU 的实现, 当这个算子被指派设备时, GPU 有优先权. 比如matmul中 CPU 和 GPU kernel 函数都存在. 那么在 cpu:0 和 gpu:0 中, matmul operation 会被指派给 gpu:0 .

记录设备指派情况
为了获取你的 operations 和 Tensor 被指派到哪个设备上运行, 用 log_device_placement 新建一个 session, 并设置为 True.

新建一个 graph.

a &＃61; tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape&＃61;[2, 3], name&＃61;’a’)
b &＃61; tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape&＃61;[3, 2], name&＃61;’b’)
c &＃61; tf.matmul(a, b)

新建session with log_device_placement并设置为True.

sess &＃61; tf.Session(config&＃61;tf.ConfigProto(log_device_placement&＃61;True))

运行这个 op.

print sess.run(c)
你应该能看见以下输出:

Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Tesla K40c, pci bus
id: 0000:05:00.0
b: /job:localhost/replica:0/task:0/gpu:0
a: /job:localhost/replica:0/task:0/gpu:0
MatMul: /job:localhost/replica:0/task:0/gpu:0
[[ 22. 28.]
[ 49. 64.]]
手工指派设备
如果你不想使用系统来为 operation 指派设备, 而是手工指派设备, 你可以用 with tf.device 创建一个设备环境, 这个环境下的 operation 都统一运行在环境指定的设备上.

新建一个graph.

with tf.device(‘/cpu:0’):
a &＃61; tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape&＃61;[2, 3], name&＃61;’a’)
b &＃61; tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape&＃61;[3, 2], name&＃61;’b’)
c &＃61; tf.matmul(a, b)

新建session with log_device_placement并设置为True.

sess &＃61; tf.Session(config&＃61;tf.ConfigProto(log_device_placement&＃61;True))

运行这个op.

print sess.run(c)
你会发现现在 a 和 b 操作都被指派给了 cpu:0.

Device mapping:
/job:localhost/replica:0/task:0/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/gpu:0
[[ 22. 28.]
[ 49. 64.]]
在多GPU系统里使用单一GPU
如果你的系统里有多个 GPU, 那么 ID 最小的 GPU 会默认使用. 如果你想用别的 GPU, 可以用下面的方法显式的声明你的偏好:

新建一个 graph.

with tf.device(‘/gpu:2’):
a &＃61; tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape&＃61;[2, 3], name&＃61;’a’)
b &＃61; tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape&＃61;[3, 2], name&＃61;’b’)
c &＃61; tf.matmul(a, b)

新建 session with log_device_placement 并设置为 True.

sess &＃61; tf.Session(config&＃61;tf.ConfigProto(log_device_placement&＃61;True))

运行这个 op.

print sess.run(c)
如果你指定的设备不存在, 你会收到 InvalidArgumentError 错误提示:

InvalidArgumentError: Invalid argument: Cannot assign a device to node ‘b’:
Could not satisfy explicit device specification ‘/gpu:2’
[Node: b &＃61; Const[dtype&＃61;DT_FLOAT, value&＃61;Tensor

新建一个 graph.

with tf.device(‘/gpu:2’):
a &＃61; tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape&＃61;[2, 3], name&＃61;’a’)
b &＃61; tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape&＃61;[3, 2], name&＃61;’b’)
c &＃61; tf.matmul(a, b)

新建 session with log_device_placement 并设置为 True.

sess &＃61; tf.Session(config&＃61;tf.ConfigProto(
allow_soft_placement&＃61;True, log_device_placement&＃61;True))

运行这个 op.

print sess.run(c)
使用多个 GPU
如果你想让 TensorFlow 在多个 GPU 上运行, 你可以建立 multi-tower 结构, 在这个结构 里每个 tower 分别被指配给不同的 GPU 运行. 比如:

新建一个 graph.

c &＃61; []
for d in [‘/gpu:2’, ‘/gpu:3’]:
with tf.device(d):
a &＃61; tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape&＃61;[2, 3])
b &＃61; tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape&＃61;[3, 2])
c.append(tf.matmul(a, b))
with tf.device(‘/cpu:0’):
sum &＃61; tf.add_n(c)

新建session with log_device_placement并设置为True.

sess &＃61; tf.Session(config&＃61;tf.ConfigProto(log_device_placement&＃61;True))

运行这个op.

print sess.run(sum)
你会看到如下输出:

Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Tesla K20m, pci bus
id: 0000:02:00.0
/job:localhost/replica:0/task:0/gpu:1 -> device: 1, name: Tesla K20m, pci bus
id: 0000:03:00.0
/job:localhost/replica:0/task:0/gpu:2 -> device: 2, name: Tesla K20m, pci bus
id: 0000:83:00.0
/job:localhost/replica:0/task:0/gpu:3 -> device: 3, name: Tesla K20m, pci bus
id: 0000:84:00.0
Const_3: /job:localhost/replica:0/task:0/gpu:3
Const_2: /job:localhost/replica:0/task:0/gpu:3
MatMul_1: /job:localhost/replica:0/task:0/gpu:3
Const_1: /job:localhost/replica:0/task:0/gpu:2
Const: /job:localhost/replica:0/task:0/gpu:2
MatMul: /job:localhost/replica:0/task:0/gpu:2
AddN: /job:localhost/replica:0/task:0/cpu:0
[[ 44. 56.]
[ 98. 128.]]
cifar10 tutorial 这个例子很好的演示了怎样用GPU集群训练.