python中tensorflow调用gpu方法，以及代码

在使用 TensorFlow 时，可以通过以下几个步骤来调用 GPU：

1. 安装 CUDA 和 cuDNN

首先需要安装 NVIDIA 的 CUDA 和 cuDNN，它们是 TensorFlow 使用 GPU 的必要组件。安装方法可以参考 NVIDIA 的官方文档。

2. 安装 TensorFlow-GPU

在安装 TensorFlow 时，需要选择安装 TensorFlow-GPU 版本，这个版本支持使用 GPU 进行计算。可以通过 pip 命令进行安装：

pip install tensorflow-gpu

3. 设置环境变量

在使用 TensorFlow-GPU 时，需要设置 CUDA 和 cuDNN 的环境变量。可以在系统环境变量中添加以下路径：

- CUDA：`C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin` 和 `C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp`
- cuDNN：`C:\Program Files\NVIDIA GPU Computing Toolkit\cudnn\bin` 和 `C:\Program Files\NVIDIA GPU Computing Toolkit\cudnn\include`

4. 编写代码

在编写 TensorFlow 代码时，需要将计算图放在 GPU 上进行计算。可以通过以下代码来实现：

import tensorflow as tf

# 创建一个会话，并指定使用第一块 GPU 进行计算
with tf.Session() as sess:
    with tf.device("/gpu:0"):
        # 创建计算图
        a = tf.constant([1.0, 2.0, 3.0], shape=[1, 3], name='a')
        b = tf.constant([1.0, 2.0, 3.0], shape=[3, 1], name='b')
        c = tf.matmul(a, b)

        # 运行计算图，并输出结果
        print(sess.run(c))

在上面的代码中，通过 `with tf.device("/gpu:0"):` 来指定计算图要放在第一块 GPU 上进行计算。

另外，还可以使用 TensorFlow 的高级 API Keras，来方便地进行 GPU 计算。Keras 自动将计算图放在 GPU 上进行计算，无需手动指定。

import tensorflow as tf
from tensorflow import keras

# 创建一个 Sequential 模型
model = keras.Sequential([
    keras.layers.Dense(64, activation='relu', input_shape=(32,)),
    keras.layers.Dense(10, activation='softmax')
])

# 编译模型，并指定使用 GPU 进行计算
model.compile(optimizer=tf.train.AdamOptimizer(0.001),
              loss='categorical_crossentropy',
              metrics=['accuracy'],
              run_eagerly=True)

# 训练模型
model.fit(train_data, train_labels, epochs=10, batch_size=32)