本文主要是介绍Keras以及Tensorflow强制使用CPU，GPU，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Keras如果是使用Theano后端的话，应该是自动不使用ＧＰＵ只是用ＣＰＵ的，启动ＧＰＵ使用Theano内部命令即可。
对于Tensorflow后端的Keras以及Tensorflow会自动使用可见的ＧＰＵ，而我需要其必须只运行在ＣＰＵ上。网上查到三种方法，最后一种方法对我有用，但也对三种都做如下记录：
使用tensorflow的 with tf.device('/cpu:0'):函数。简单操作就是把所有命令都放在前面所述的域里面。
使用tensorflow声明Session时的参数： 关于tensorflow中Session中的部分参数设置，以及Keras如何设置其调用的Tensorflow的Session，可以参见Keras设定GPU使用内存大小(Tensorflow backend)。
对于Tensorflow，声明Session的时候加入device_count={'gpu':0}即可，代码如下：
import tensorflow as tf sess = tf.Session(config=tf.ConfigProto(device_count={'gpu':0}))
对于Keras,则调用后端函数，设置其使用如上定义的Session即可，代码如下：import tensorflow as tf
import keras.backend.tensorflow_backend as KTFKTF.set_session(tf.Session(config=tf.ConfigProto(device_count={'gpu':0})))
对于多线程以及ＧＰＵ内存设置等可以参见Keras设定GPU使用内存大小(Tensorflow backend)；更多详细内容请见tensorflow官网。
3 . 第三种是使用CUDA_VISIBLE_DEVICES命令行参数，代码如下：
CUDA_VISIBLE_DEVICES="0" python3 train.py
这篇关于Keras以及Tensorflow强制使用CPU，GPU的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
