首先，CUDA使用一个环境变量CUDA_VISIBLE_DEVICE,您可以猜测它为会话设置了可见的GPU。这意味着，如果要在不同的GPU上运行两个进程，则更简单的方法是打开两个控制台并执行以下那可以尝试小的batch size。但既然有两块GPU卡，那最好是全利用上，可以采用数据并行，加快训练速度。
a卡打开cf，n卡打开sli，做设计绘图的话，一般可以打开gpu专业渲染，这时候无论两个gpu核心是否同型号，首先，设置系统默认图形设置：设置里面搜默认图形设置，或者到屏幕->显卡里面找该选项，开启硬件加速GPU计划将特定程序运行在独立显卡上设置如下1在英伟达控制
“device:GPU:1”：机器的第二个GPU 如果TensorFlow 操作同时有CPU 和GPU 的实现，操作将会优先分配给GPU 设备。例如，matmul 同时有CPU 和GPU 核心，在图一/使用Nvidia GPU机器学习自上而下视图来自腾讯的Gaia(ISPA'18)[1]共享层在Cuda driver API之上，它通过劫持对Cuda driver API的调用来做到资源隔离。劫持的调用如图二所示。具
1.常见的多GPU使用方法：模型并行，数据并行。模型并行，可用于训练大型网络，模型分块进行训练，对于训练速度影响不大。数据并行，相当于加大了batchsize的数量，加快了训练速度。2.数这个问题首先两个GPU要看是两张显卡，还是一个显卡两个GPU，还是主板集成一个显卡一个。1，如果是两张显卡要看你的主板能不能支持双显卡交火，还有显卡最好是同种
