1. 使用环境变量指定GPU
在TensorFlow中，可以通过设置环境变量来指定使用的GPU设备。首先，需要安装CUDA和cuDNN，并配置环境变量。然后，使用下面的代码来指定使用的GPU：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0" # 使用设备号为0的GPU
这样就可以确保TensorFlow只会使用指定的GPU设备。
2. 设置GPU资源分配策略
在默认情况下，TensorFlow会占用所有可用的GPU内存。但是，有时候我们需要限制GPU内存的使用，以便同时训练多个模型或运行其他任务。TensorFlow提供了几种方式来设置GPU资源分配策略。
2.1 设置GPU最大可用内存
通过设置per_process_gpu_memory_fraction参数来限制每个进程使用的GPU内存比例。例如，下面的代码将每个进程的GPU内存使用限制在50%：
import tensorflow as tf
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.5)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
这样可以确保每个进程最多使用50%的GPU内存。
2.2 设置GPU最大可用内存占比
通过设置allow_growth参数来动态分配GPU内存。例如，下面的代码将GPU的内存限制在50%：
import tensorflow as tf
gpu_options = tf.GPUOptions(allow_growth=True)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
这样会根据需要动态分配GPU内存，并且最多使用50%的GPU内存。
2.3 设置GPU使用模式
通过设置visible_device_list参数来指定可见的GPU设备。例如，下面的代码将只使用第一个和第三个GPU设备：
import tensorflow as tf
gpu_options = tf.GPUOptions(visible_device_list='0,2')
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
这样只会使用第一个和第三个GPU设备。
3. 指定GPU运行的代码
除了以上的设置外，还可以在代码中直接指定使用的GPU设备。例如，下面的代码将指定使用设备号为1的GPU：
import tensorflow as tf
with tf.device('/gpu:1'):
# 在这里写需要在GPU上运行的代码
这样可以确保指定的代码只会在设备号为1的GPU上运行。
总结
本文介绍了基于TensorFlow指定GPU运行及GPU资源分配的几种方式。可以通过设置环境变量来指定使用的GPU，也可以通过设置GPU资源分配策略来限制GPU内存的使用。此外，还可以在代码中直接指定使用的GPU设备。根据需要选择合适的方式来进行GPU资源的管理，可以提高训练速度并同时运行多个任务。