tensorflow 多GPU训练

不同算法在不同GPU上训练（实质上还是 单GPU—>单算法）

使用GPU跑tensorflow程序，默认加载所有的GPU，但计算过程中只会用其中一块。也就是说，我们看着所有的GPU都被占用了，以为是在GPU并行计算，但实际上只有其中一块在运行；另外的所有显卡都闲着，但是其显存都被占用了。不过这种情况通过在程序之前加三行代码就可以解决：

import os 
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" 
os.environ['CUDA_VISIBLE_DEVICES'] = "0"

这行代码加在TensorFlow程序开头，就可以成功屏蔽掉系统中除 gpu0 （当然，这个gpu序号要根据实际情况来定）之外所有的GPU设备了。

如果想使用GPU0和GPU1，可以将第三行代码改为：

os.environ['CUDA_VISIBLE_DEVICES'] = "0,1"

注意，第二行 os.environ[“CUDA_DEVICE_ORDER”] = “PCI_BUS_ID” 也很重要，保证程序中的GPU序号是和硬件中的序号是相同的，否则可能会造成不少的麻烦。

如果不想使用GPU，也有办法。这样设置第三行代码 os.environ[‘CUDA_VISIBLE_DEVICES’] = “” ，这样这个程序就不能看见所有的GPU了。

除此之外，TensorFlow程序会吃掉所用显卡的所有显存，如果想让程序需要多少显存就用多少应该怎么设置呢？创建 session 的时候加一项设置：

config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)

程序运行过程中查看显存使用情况：
nvidia-smi

以上方法实现的是控制GPU的使用情况

举个例子：
我在两个ssh登录的服务器窗口分别运行两个深度卷积神经网络算法。
第一种情况：不加以控制，则两个算法的代码均在GPU0上进行训练，这样就会导致，这两段代码的运算速度都下降，而其他两个GPU的计算能力被闲置。这样做就造成了浪费。
第二种情况：利用上述方法(第一个代码块中的方法)，可以使得两个算法分别在两个GPU上训练。这样可以充分利用计算资源，比起第一种情况，能够加快算法训练速度。

下面这段代码是单GPU训练算法的例子，可以用来验证上面的两种情况：

import tensorflow as tf 
import tensorflow.examples.tutorials.mnist.input_data as input_data
import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ['CUDA_VISIBLE_DEVICES'] = "1,2"

mnist = input_data.read_data_sets("/tmp/data/mnist/", one_hot=True)     #下载并加载mnist数据
x = tf.placeholder(tf.float32, [None, 784])                        #输入的数据占位符
y_actual = tf.placeholder(tf.float32, shape=[None, 10])            #输入的标签占位符

#定义一个函数，用于初始化所有的权值 W
def weight_variable(shape):
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)

#定义一个函数，用于初始化所有的偏置项 b
def bias_variable(shape):
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)
  
#定义一个函数，用于构建卷积层
def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

#定义一个函数，用于构建池化层
def max_pool(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')

#构建网络
x_image = tf.reshape(x, [-1,28,28,1])         #转换输入数据shape,以便于用于网络中
W_conv1 = weight_variable([5, 5, 1, 32])      
b_conv1 = bias_variable([32])       
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)     #第一个卷积层
h_pool1 = max_pool(h_conv1)                                  #第一个池化层

W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)      #第二个卷积层
h_pool2 = max_pool(h_conv2)                                   #第二个池化层

W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])              #reshape成向量
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)    #第一个全连接层

keep_prob = tf.placeholder("float") 
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)                  #dropout层

W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_predict=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)   #softmax层

cross_entropy = -tf.reduce_sum(y_actual*tf.log(y_predict))     #交叉熵
train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)    #梯度下降法
correct_prediction = tf.equal(tf.argmax(y_predict,1), tf.argmax(y_actual,1))    
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.5
config.gpu_options.allow_growth =