测试faster-rcnn时，cpu计算速度较慢，调整代码改为gpu加速运算
将 with tf.Session() as sess: 替换为

1 gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.9)
2 with tf.Session(config=tf.ConfigProto(gpu_options=gpu_options,log_device_placement=True),graph=detection_graph) as sess:
3     with tf.device("/gpu:0"):

之后出现显存占满、而GPU利用率为0的情况，经查阅官方文档得知“在GPU上，tf.Variable操作只支持实数型（float16 float32 double）的参数。不支持整数型参数”


CPU计算几乎占满，可见tensorflow的运行空间在显存上，而计算实际是在cpu上执行的

用如下代码可检测tensorflow的能使用设备情况：

1 from tensorflow.python.client import device_lib
2 print(device_lib.list_local_devices())　

Tensorflow程序可以通过tf.device函数来指定运行每一个操作的设备，这个设备可以是本地CPU或GPU，也可以是某一台远程服务器。

tf.device函数可以通过设备的名称来指定执行运算的设备。

如CPU在tensorflow中的名称为/cpu:0。在默认情况下，即使机器有很多个CPU，tensorflow也不会区分它们，所有的CPU都使用/cpu:0作为名称。
而一台机器上不同GPU的名称是不同的，第n个GPU在tensorflow中的名称为/gpu:n。
tensorflow提供了一个会计的方式来查看运行每一个运算的设备。在生成会话时，可以通过设置log_device_placement参数来打印运行每一个运算的设备。

1 import tensorflow as tf 
2 a=tf.constant([1.0,2.0,3.0],shape=[3],name='a')
3 b=tf.constant([1.0,2.0,3.0],shape=[3],name='b')
4 c=a+b
5 #通过log_device_placement参数来输出运行每一个运算的设备
6 sess=tf.Session(config=tf.ConfigProto(log_device_placement=True))
7 print (sess.run(c))

在以上代码中，tensorflow程序生成会话时加入了参数log_device_placement=True，所以程序会将运行每一个操作的设备输出到屏幕。

在配置好GPU的环境中，如果操作没有明确指定运行设备，那么tensorflow会优先选择GPU。但是，尽管有4个GPU，在默认情况下，tensorflow只会将运算优先放到/gpu:0上。如果需要将某些运算放到不同的GPU或CPU上，就需要通过tf.device来手工指定。

1 import tensorflow as tf
2 
3 a=tf.Variable(0,name='a')
4 with tf.device('/gpu:0'):
5     b=tf.Variable(0,name='b')
6 #通过allow_soft_placement参数自动将无法放在GPU上的操作放回CPU上
7 sess=tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True))
8 sess.run(tf.initialize_all_variables()

在以上代码中可以看到生成常量a和b的操作被加载到CPU上，而加法操作被放到第二个GPU上。在tensorflow中，不是所有的操作都可以被放在GPU上，如果强行将无法放在GPU上的操作指定到GPU上，程序就会报错。
在GPU上，tf.Variable操作只支持实数型（float16 float32 double）的参数。不支持整数型参数。tensorflow在生成会话时可以指定allow_soft_placement参数。当这个参数设置为True时，如果运算无法由GPU执行，那么tensorflow会自动将它放到CPU上执行。

原文链接