pytorch：

单个GPU指定使用：

1.在代码上指定（建议这种指定方式）

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "2"  # 指定第二块gpu

2.使用set_device指定

import torch
torch.cuda.set_device(0) # 不能设定两个，比如0,2

 查看pytorch所使用的gpu

torch.cuda.is_available()  # cuda是否可用

torch.cuda.device_count()  # 返回gpu数量

torch.cuda.get_device_name(0)  # 返回gpu名字，设备索引默认从0开始

torch.cuda.current_device()  # 返回当前设备索引

pytorch DataParallel 多GPU使用 

tensorflow：

1.指定gpu

import os
os.environ["CUDA_VISIBLE_DEVICES"]=‘1’

2.设置定量的GPU使用量

gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options)) #占用现存不超过总现存的0.7

3.按需设置最小显存

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

 查看tensorflow所使用的gpu

import tensorflow as tf

tf.test.gpu_device_name()  # 显示当前使用gpu名字

tf.test.is_gpu_available()  #  true or false

from tensorflow.python.client import device_lib
local_device_protos = device_lib.list_local_devices()
print(local_device_protos) # 列出所有的本地机器设备