TensorFlow：灵活切换CPU与GPU计算

Tensorflow CPU GPU切换
TensorFlow是一个流行的深度学习框架，它支持使用CPU或GPU进行计算。在某些情况下，您可能需要在同一台机器上的TensorFlow中使用CPU和GPU。例如，您可能希望在训练模型时使用GPU进行计算，但在推理时使用CPU。下面是在TensorFlow中切换CPU和GPU的方法。
在TensorFlow中，您可以通过设置CUDA_VISIBLE_DEVICES环境变量来控制可见的GPU。如果该变量未设置，TensorFlow将自动查看可用的GPU。如果您想让TensorFlow仅使用GPU，而不使用CPU，您可以通过设置CUDA_VISIBLE_DEVICES环境变量来限制可见的GPU。例如，在Linux终端中，您可以键入以下命令：

export CUDA_VISIBLE_DEVICES=-1

这将使TensorFlow只能看到CPU。如果您想让TensorFlow看到所有的GPU，您可以将CUDA_VISIBLE_DEVICES设置为一个逗号分隔的GPU列表，例如：

export CUDA_VISIBLE_DEVICES=0,1,2

这将使TensorFlow看到编号为0、1和2的GPU。
除了通过设置环境变量来控制GPU可见性之外，您还可以在代码中设置。例如，您可以使用以下代码来设置可见的GPU：

import os
os.environ["CUDA_VISIBLE_DEVICES"]="-1"

这将使TensorFlow只能看到CPU。如果您想让TensorFlow看到所有的GPU，您可以使用以下代码：

import os
os.environ["CUDA_VISIBLE_DEVICES"]="0,1,2"

这将使TensorFlow看到编号为0、1和2的GPU。
在使用TensorFlow进行计算时，如果您的计算机有可用的GPU，则最好使用GPU进行计算。这是因为GPU通常比CPU更快，并且可以处理更大的数据集。但是，如果您需要使用CPU进行推理，则可以通过设置CUDA_VISIBLE_DEVICES环境变量来让TensorFlow仅使用CPU。