TensorFlow中指定GPU、多GPU及CPU运行的配置方法
本文介绍在TensorFlow中如何配置硬件资源。通过设置环境变量CUDA_VISIBLE_DEVICES可指定使用特定编号的GPU；利用tf.device上下文管理器可实现多GPU并行处理；配置/cpu:0则强制使用CPU进行计算。
2026-10-13
20
本文介绍在TensorFlow中如何配置硬件资源。通过设置环境变量CUDA_VISIBLE_DEVICES可指定使用特定编号的GPU；利用tf.device上下文管理器可实现多GPU并行处理；配置/cpu:0则强制使用CPU进行计算。
本文介绍如何在TensorFlow中将训练好的模型保存为pb文件，并演示如何从该文件中恢复模型进行推理。通过graph_util.convert_variables_to_constants将变量转换为常量，实现模型的序列化存储与加载，适用于模型部署场景。
本文针对TensorFlow模型恢复时出现的“Attempting to use uninitialized value input_producer/input_producer/limit_epochs/epochs”错误进行解析。该错误通常由调用tf.train.slice_input_producer方法引起，系统将其识别为未初始化的Tensor。解决方案是在会话中获取batch前，先执行tf.global_variables_initializer()和tf.local_variables_initializer()进行初始化。
本文介绍如何在运行TensorFlow Python程序时限制对GPU和CPU的占用。通过设置环境变量CUDA_VISIBLE_DEVICES指定可见GPU，或在代码中配置gpu_options.allow_growth实现显存按需分配。同时，提供了限制CPU线程数的方法，帮助优化资源使用，避免霸占所有GPU资源。
本文详细解析OpenCV中绘制几何图形的核心函数。通过cv2.circle实现圆形绘制，利用cv2.ellipse控制椭圆参数，使用cv2.polylines完成任意多边形绘制。文章涵盖关键参数设置、颜色填充及线条类型选项，并提供完整Python代码示例，帮助开发者快速掌握基础图形绘制技巧。
本文提供了一款基于Python的飞行棋游戏完整实现代码。内容涵盖地图初始化、幸运轮盘、地雷、暂停及时空隧道等特殊格子的设置，以及双人对战的核心逻辑。通过随机数生成与坐标移动机制，模拟了经典飞行棋规则，适合Python初学者学习列表操作、函数封装及游戏逻辑构建。
本文详解TensorFlow中实现变量累加的两种方法。由于Python变量引用机制，tf.add仅返回新张量而不修改原变量，适用于无状态计算；而tf.assign_add能原地更新Variable状态，是实现迭代计数器、学习率调度等需要累积状态场景的正确选择。
本文详细解析Python中json.dumps与json.loads函数的核心区别。json.dumps用于将Python对象（如字典）序列化为JSON格式的字符串，而json.loads则执行相反操作，将JSON字符串反序列化为Python对象。文章通过具体代码示例展示了中文处理中ensure_ascii参数的作用，帮助开发者准确掌握数据交换格式的处理方法。
本文详解如何在 Python 中通过 signal 模块接管 Ctrl+C 键盘中断信号。针对从 Redis 读取并批量写入 MongoDB 的场景，演示如何定义自定义回调函数，在程序终止前将缓冲区剩余数据持久化到数据库，避免数据丢失。包含完整代码示例及 C 语言扩展下的行为差异说明。
本文深入解析Python变量作用域的LEGB查找规则，阐明Local、Enclosed、Global及Built-in的优先级。详细讲解闭包机制与装饰器的实现原理，包括带参装饰器的写法。通过global和nonlocal关键字演示如何修改全局及嵌套层变量，并结合Flask路由等实际场景说明其应用，帮助开发者规避作用域陷阱。
本文详细介绍如何使用TensorFlow构建简单的多层神经网络来解决XOR（异或）线性不可分问题。通过定义输入输出、权重初始化、ReLU激活函数及Adam优化器，逐步演示模型训练过程。文章包含完整Python代码示例，并分析学习率与迭代次数对损失函数的影响，帮助初学者理解神经网络的基本原理与调参技巧。
本文详细解析OpenCV中Canny边缘检测算法的实现过程，涵盖高斯模糊、灰度转换、梯度计算、非极大值抑制及高低阈值连接五个核心步骤。通过Python代码示例，展示cv2.Canny函数的参数配置与完整调用流程，帮助开发者理解边缘提取原理并应用于实际项目。
