如果服务器有多个GPU，tensorflow会默认使用所有能用的GPU，若想只使用部分GPU，可以设置CUDA_VISIBLE_DEVICES。
1. 命令行设置使用的GPU
在命令行执行python脚本时，可以如下指定要使用的GPU：
CUDA_VISIBLE_DEVICES=1 python my_script.py
指定不同GPU方式如下：
CUDA_VISIBLE_DEVICES=1 指定使用第一块
CUDA_VISIBLE_DEVICES=0,1 使用0和1
CUDA_VISIBLE_DEVICES="0,1" 与上面一样，使用0和1，引号是可选的
CUDA_VISIBLE_DEVICES=0,2,3 使用0,2,3设备，设备1被屏蔽
2. 在python代码中指定使用的GPU
若要在python代码中设置使用的GPU，使用方式如下：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0" 使用GPU0
os.environ["CUDA_VISIBLE_DEVICES"] = "0，1" 使用GPU0,1
3. 设置tensorflow使用的显存大小
3.1 指定固定大小
默认tensorflow是使用GPU尽可能多的显存，可以使用per_process_gpu_memory_fraction，来设置使用的GPU显存，表示每个GPU应该拿出多少容量给进程用，0.7代表70%：
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
或者
gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config, ...)
上面分配给tensorflow的GPU显存大小：GPU实际显存*0.7 可以按照需要，设置不同的值，分配显存
3.2 按需设置显存
使用allow_growth 这个option，刚一开始分配少量的GPU容量，然后按需慢慢的增加，但是不会释放内存，所以会导致碎片。
gpu_options = tf.GPUOptions(allow_growth=True)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
或者
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config, ...)
tf.ConfigProto一般用在创建session的时候，用来对session进行参数配置，如下：
with tf.Session(config = tf.ConfigProto(...),...)
比如，可以指定tf.ConfigProto()如下参数
log_device_placement=True : 是否打印设备分配日志
allow_soft_placement=True ： 如果你指定的设备不存在，允许TF自动分配设备
tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)
