1. keras新版本中加入多GPU并行使用的函数
下面程序段即可实现一个或多个GPU加速：
注意：使用多GPU加速时，Keras版本必须是Keras2.0.9以上版本
from keras.utils.training_utils import multi_gpu_model #导入keras多GPU函数
import VGG19 #导入已经写好的函数模型，例如VGG19
if G <= 1:
print(“[INFO] training with 1 GPU…”)
model = VGG19（）
# otherwise, we are compiling using multiple GPUs
else:
print(“[INFO] training with {} GPUs…”.format(G))
# we’ll store a copy of the model on *every* GPU and then combine
# the results from the gradient updates on the CPU
with tf.device(“/cpu:0”):
# initialize the model
model1 = VGG19（）
# make the model parallel(if you have more than 2 GPU)
model = multi_gpu_model(model1, gpus=G)
2.指定使用某个GPU
首先在终端查看主机中GPU编号：
watch -n -9 nvidia-smi
查询结果如下所示：
显示主机中只有一块GPU，编号为0
2.1 下面方法是直接在终端运行时加入相关语句实现指定GPU的使用
export CUDA_VISIBLE_DEVICES=0 python test.py
# 表示运行test.py文件时，使用编号为0的GPU卡
export CUDA_VISIBLE_DEVICES=0,2 python test.py
# 表示运行test.py文件时，使用编号为0和2的GPU卡
2.2 下面方法是在Python程序中添加
import os
# 使用第一张与第三张GPU卡
os.environ[“CUDA_VISIBLE_DEVICES”] = “0, 2”