由于tensorflow默认抢占服务器所有GPU显存，只允许一个小内存的程序也会占用所有GPU资源。下面提出使用GPU运行tensorflow的几点建议：
1.在运行之前先查看GPU的使用情况：
$ nvidia-smi # 查看GPU此时的使用情况
或者
$ nvidia-smi -l # 实时返回GPU使用情况
2.目前实验室服务器有0，1，2，3四个GPU，找到空闲的GPU号，可以使用环境变量CUDA_VISIBLE_DEVICES：
环境变量的定义格式：
CUDA_VISIBLE_DEVICES=1 Only device 1 will be seen
CUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will be visible
CUDA_VISIBLE_DEVICES=”0,1” Same as above, quotation marks are optional
CUDA_VISIBLE_DEVICES=0,2,3 Devices 0, 2, 3 will be visible; device 1 is masked
输入以下命令运行程序：
$ export CUDA_VISIBLE_DEVICES=0 # 假设此时 GPU 0 空闲
为了防止新开终端忘记export，比较保险的做法是每次运行tensorflow之前定义使用的GPU：
$ CUDA_VISIBLE_DEVICES=0Pythonmnist.py # 假设此时 GPU 0 空闲, mnist.py为你想运行的程序。
3.这样tensorflow此时只会在指定的GPU上运行，但是仍然会占用整个GPU的显存，不过不和其他人公用GPU时也不会有影响，下面介绍两种限定GPU占用的方法：
(1)在tensorflow中定义session时作如下设置，该设置会启用最少的GPU显存来运行程序。
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)
(2)在tensorflow中定义session时作如下设置，该设置会强制程序只占用指定比例的GPU显存。
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.4 # 占用GPU40%的显存
session = tf.Session(config=config)
注：
- 在tensorflow代码中with tf.device(‘/gpu:0’):只会指定在GPU 0上计算，但仍然会默认占用所有GPU资源。
原文参考：http://blog.csdn.net/qq_30159351/article/details/52892577
