今天使用到了GPU来加速计算，那种感觉简直就是一飞冲天了，临近毕业季，大家都在做实验，服务器早已是不堪重负了，我们屋的服务器一堆人再用，卡到爆炸，训练一个模型粗略计算一下迭代100次就需要3、4天的时间，得不偿失，正好隔壁有一台闲置的GPU深度学习服务器，决定上手搞一搞。
深度学习我也是初步接触，果断选择最简单的keras来入门，网上关于Tensorflow和Theano的GPU加速的相关配置有很多，但是是否适用于Keras还有待考量，今天就简单试验一下。
首先我们查看一下服务器GPU的配置
nivdia-smi
可以看到，我们由块显卡，实验中为了避免不同使用者的资源竞争，我们需要指定适用哪块GPU来实验。
我使用的是Python，在代码开始部分加入：
import os
os.environ["CUDA_DEVICE_ORDER"]="PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"]="0"
就可以使用0号显卡了，如果想使用多块显卡就可以使用：
os.environ["CUDA_VISIBLE_DEVICES"]="0，1，2"
当然如果想更精细地分配GPU的使用量还可以这么写：
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.5 # 占用GPU50%的显存
session = tf.Session(config=config)
我是深度学习小白，欢迎交流！