指定gpu跑深度学习

指定GPU来运行深度学习模型通常是在机器上安装了多个GPU，并且为了充分利用计算资源和加速训练过程。以下是如何在常见环境中设置的步骤：

1. **TensorFlow**: 在Python中，可以使用`tf.distribute.Strategy` API来控制在哪台GPU上运行模型。例如，`tf.distribute.MirroredStrategy`会将模型分布在所有可用的GPU上。

import tensorflow as tf

strategy = tf.distribute.MirroredStrategy()
with strategy.scope():
    model = MyDeepLearningModel()  # 在策略的作用域内创建模型

2. **PyTorch**: PyTorch通过`torch.nn.DataParallel`或`torch.cuda.set_device`来管理GPU。先选择GPU设备，然后创建模型实例。

import torch
device = torch.device('cuda:0') if torch.cuda.is_available() else torch.device('cpu')
model = MyDeepLearningModel().to(device)

3. **Keras**: Keras库默认支持跨GPU训练，通过`MultiWorkerMirroredStrategy`（分布式训练）或`tf.keras.utils.multi_gpu_model`（单机多GPU）。首先安装 Horovod 等库进行分布式训练。

import keras
from keras.utils import multi_gpu_model

# 单机多GPU
if tf.config.list_physical_devices('GPU'):
    gpus = tf.config.experimental.list_physical_devices('GPU')
    my_model = create_my_model()
    parallel_model = multi_gpu_model(my_model, gpus=gpus)