一般情况下，运行tensorflow时，默认会占用可以看见的所有GPU，那么就会导致其它用户或程序无GPU可用，那么就需要限制程序对GPU的占用。并且，一般我们的程序也用不了所有的GPU资源，只是强行霸占着，大部分资源都不会用到，也不会提升运行速度。
使用nvidia-smi可以查看本机的GPU使用情况，如下图，这里可以看出，本机的GPU型号是K80，共有两个K80，四块可用(一个K80包括两块K40)。
1、如果是只需要用某一块或某几块GPU，可以在运行程序时，利用如下命令运行：CUDA_VISIBLE_DEVICES=0,1 python test.py
这里表示只有GPU 0和1对程序可见，因此也就限制了程序只能用GPU 0和1
同样，也可以在代码里指定
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"
如果想只用CPU，不用CPU来运行程序，可以用如下命令(所有GPU都不可见)：
CUDA_VISIBLE_DEVICES='' python test.py
或者是
CUDA_VISIBLE_DEVICES="-1" python test.py
2、让tensorflow只按需索取显存，如下代码所示
#only minimum use gpu
gpu_config = tf.ConfigProto()
gpu_config.gpu_options.allow_growth = True
with tf.Session(config = gpu_config) as sess:
前面是对GPU的限制，那如果不用GPU，只用CPU呢？如何限制对CPU的使用呢？
前面也有提到，如果使用命令CUDA_VISIBLE_DEVICES=“”python test.py可以只使用CPU，那如果想只使用部分CPU呢?可以通过如下代码限制
cpu_config = tf.ConfigProto(intra_op_parallelism_threads = 8, inter_op_parallelism_threads = 8, device_count = {'CPU': 8})
with tf.Session(config = cpu_config) as sess:
以上这篇运行tensorflow python程序,限制对GPU和CPU的占用操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
)
