版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/helei001/article/details/78548707
1、调节GPU占比
TensorFlow比较贪心，默认会占用全部的GPU的资源。可以通过以下方式调节：
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.9
session = tf.Session(config=config)另外，可以按需分配GPU资源
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)2、寻找网络中的变量
在训练网络的过程中，可能只需要训练部分参数，固定其他参数，那怎么用TF实现呢？
我们可以在定义参数的时候采用
with tf.variable_scope('var'): theta = tf.get_collection(tf.GraphKeys.TRAINING_VARIABLES, scope='var')
optimizer = ly.optimize_loss(loss=your_loss, learning_rate=your_learning_rate, optimizer=tf.train.AdamOptimizer, variables=theta, ...)我们可以使用
with tf.variable_scope('var'):
with tf.variable_scope('var', reuse=True): 4、多GPU中，指定GPU运行TF
CUDA_VISIBLE_DEVICES=0 python -i train.py