我只想尽量少改动代码，只要能用到GPU加速就可以

如果你想尽量少改动代码，只需要在 TensorFlow 中启用 GPU 加速，TensorFlow 会自动将模型和数据放入 GPU 内存中进行训练。你可以按照以下步骤来配置 TensorFlow：

1. 安装 CUDA 和 cuDNN（如果没有安装的话）；
2. 安装 TensorFlow GPU 版本；
3. 在代码中导入 TensorFlow，例如 `import tensorflow as tf`；
4. 在代码中创建 TensorFlow 会话（Session）并配置 GPU，例如：

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

在这个例子中，`config.gpu_options.allow_growth = True` 表示在需要时分配 GPU 内存，避免一开始就分配所有 GPU 内存导致程序崩溃。如果你的 GPU 内存足够大，你也可以设置 `config.gpu_options.per_process_gpu_memory_fraction` 来限制 TensorFlow 分配的 GPU 内存比例，例如：

config.gpu_options.per_process_gpu_memory_fraction = 0.8
sess = tf.Session(config=config)

在这个例子中，`0.8` 表示 TensorFlow 最多只能使用 80% 的 GPU 内存，剩余的部分留给其他应用程序使用。

5. 在代码中使用 TensorFlow 进行训练，例如：

with tf.device('/gpu:0'):
    model = LSTNetAttention(trainX1,trainX2,trainY1,trainY2,config)
    model.compile(optimizer=config.optimizer, loss=config.loss_metric)
    model.fit([trainX1,trainX2], [trainY1,trainY2], epochs=config.epochs, batch_size=config.lstm_batch_size, verbose=config.verbose,validation_split=0.2, callbacks=[my_early_stopping])

在这个例子中，`with tf.device('/gpu:0'):` 表示使用第一个 GPU 设备进行训练，如果你有多个 GPU 设备可以使用，你可以将 `/gpu:0` 替换为 `/gpu:1`、`/gpu:2` 等来指定不同的 GPU 设备。

通过以上步骤，你就可以在 TensorFlow 中启用 GPU 加速，无需对代码进行太多的修改。