测试工具中还有一种方法。因此，所有要做的就是：

tf.test.is_gpu_available()

和/或

tf.test.gpu_device_name()

在Tensorflow文档中查找参数。

有一个未device_lib.list_local_devices()方法，称为device_lib.list_local_devices() ，使您可以列出本地进程中可用的设备。 （ 注意，作为一个未DeviceAttributes方法，此方法可能会向后不兼容更改。）该函数返回DeviceAttributes协议缓冲区对象的列表。您可以按以下方式提取GPU设备的字符串设备名称列表：

from tensorflow.python.client import device_lib

def get_available_gpus():
    local_device_protos = device_lib.list_local_devices()
    return [x.name for x in local_device_protos if x.device_type == 'GPU']

请注意（至少在TensorFlow 1.4之前），调用device_lib.list_local_devices()将运行一些初始化代码，默认情况下，这些代码将在所有设备上分配所有GPU内存（ GitHub issue ）。为避免这种情况，请首先使用一个明显较小的per_process_gpu_fraction或allow_growth=True创建会话，以防止分配所有内存。有关更多详细信息，请参见此问题 。

可接受的答案为您提供了GPU的数量，但同时也分配了这些GPU上的所有内存。您可以通过在调用device_lib.list_local_devices（）之前创建具有固定较低内存的会话来避免这种情况，这对于某些应用程序可能是不需要的。

我最终使用nvidia-smi来获取GPU的数量，而没有在其上分配任何内存。

import subprocess

n = str(subprocess.check_output(["nvidia-smi", "-L"])).count('UUID')

在TensorFlow 2.0中，您可以使用tf.config.experimental.list_physical_devices('GPU') ：

import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices('GPU')
for gpu in gpus:
    print("Name:", gpu.name, "  Type:", gpu.device_type)

如果您安装了两个GPU，它将输出以下内容：

Name: /physical_device:GPU:0   Type: GPU
Name: /physical_device:GPU:1   Type: GPU

从2.1开始，您可以删除experimental ：

gpus = tf.config.list_physical_devices('GPU')

看到：

• 指南页
• 当前的API

您可以使用以下代码检查所有设备列表：

from tensorflow.python.client import device_lib

device_lib.list_local_devices()

除了Mrry的精彩解释之外，他建议在其中使用device_lib.list_local_devices()我可以向您展示如何从命令行检查与GPU相关的信息。

因为目前只有Nvidia的GPU适用于NN框架，所以答案只涵盖了它们。 Nvidia上有一个页面 ，其中记录了如何使用/ proc文件系统接口来获取有关驱动程序，任何已安装的NVIDIA图形卡以及AGP状态的运行时信息。

/proc/driver/nvidia/gpus/0..N/information

提供有关每个已安装的NVIDIA图形适配器的信息（型号名称，IRQ，BIOS版本，总线类型）。请注意，BIOS版本仅在X运行时可用。

因此，您可以从命令行cat /proc/driver/nvidia/gpus/0/information运行此命令，并查看有关第一个GPU的信息。 从python运行它很容易，并且您可以检查第二，第三，第四GPU直到失败。

肯定地Mrry的答案更可靠，而且我不确定我的答案是否可以在非Linux机器上使用，但是Nvidia的页面提供了其他有趣的信息，但鲜为人知。