后面会在微信公众号中推送后续的翻译章节，与TensorFlow的第一次接触系列已整理成pdf，关注公众号后回复：tensorflow即可下载~~公众号：源码之心

源码之心

 第一版TensorFlow第一版发布于2015年11月，它可以运行在多台服务器的GPU上，同时并在其上面进行训练。2016年2月，更新版中增加了分布式与并发处理。

       在本章简短的小节中，我会介绍如何使用GPU。对想深入理解这些设备是如何工作的读者，最后章节中列出了一些参考引用，本书不会讨论分布式版本中的细节，对分布式细节感兴趣的读者，最后章节中同样列出了一些参考引用。

GPU的执行环境

       如果需要TensorFlow支持GPU，需要安装CudaToolkit 7.0 and CUDNN 6.5 V2。为安装这些环境，建议读者访问cuda的官网来了解安装细节。

      TensorFlow中引用这些设备的方式如下：

“/cpu:0”: To reference the server’s CPU.

“/gpu:0”: The server’s GPU, if only one is available.

“/gpu:1”: The second server’s GPU, and so on.

      为了追踪操作与tensor被分配到哪个设备上了，我们需要以log_device_placement设置为true作为参数来创建session，示例代码如下：

当读者在自己电脑上测试本代码时，会看如下类似的相关输出：

       同时，根据这个输出结果，我们同样可看到每一部分是在哪调度执行的。

       如果我们希望一个具体的操作调度到一个具体的设备上执行，而不是由系统自动选择设备，我们可通过tf.device来创建设备上下文，所有在该上下文中的操作都会调度到该设备中。

       如果系统中不止一个GPU，默认选择较小编号的GPU。假如我们想在不同的GPU上执行操作，需要显式指明。例如，如果我们想让之前的代码在GPU2上执行，可通过tf.device(“/gpu:2”)来指定：

多个GPU并发

       假如我们有不止一个CPU，通常我们想在解决一个问题时并发使用民有GPU。例如，我们可建立模型来将工作分布式分发到多个GPU上，示例如下：

       代码与之前的代码功能类似，但是现在有2个GPU来执行乘法计算（为简化示例，两个GPU执行的逻辑一样），稍后CPU执行加法计算。因为log_device_placement设置为true，我们可看到操作是如何在多个设备间分布式分发的：

编码实现多GPU

       我们通过一个代码例子为总结这一简短的小节，代码例子与DamienAymeric在Github上分享的类似，n=10时，计算An+Bn，比较1个GPU与2个GPU的执行时间。

首先，导入需要库：

通过numpy库用随机值创建两个矩阵：

然后创建两个结构体来存储结果：

接下来，定义matpow()函数如下：

如果在一个GPU上执行这段代码，过程如下：

如果在2个GPU上运行，代码如下：

最后，打印计算时间：

分布式版本TensorFlow

       如之前所说，Google在2016年2月开源了分布式版本的TensorFlow，其基于gRPC，一个用来进程间通信的，高性能开源RPC框架（TensorFlow Serving使用同样的协议）。

       如果想使用分布式版本，需要自己编译二进制程序，因为目前该库只以源码的形式提供。本书不会讨论分布式版本的细节，如果读者想了解关于分布式的信息，建议访问TensorFlow分布式版本的官网。

     跟之前章节类似，本章中的代码同样能在Github上获得。我希望本章节已经描述清楚了如何通过多GPU来加速训练模型。