当然。我想您已经安装了TensorFlow for GPU。

导入keras后，需要添加以下块。我正在使用具有56核心cpu和gpu的计算机。

import keras
import tensorflow as tf


config = tf.ConfigProto( device_count = {'GPU': 1 , 'CPU': 56} ) 
sess = tf.Session(config=config) 
keras.backend.set_session(sess)

当然，这种用法会强制执行我的计算机的最大限制。您可以减少cpu和gpu消耗值。

2.0兼容答案 ：虽然上述答案详细说明了如何在Keras Model上使用GPU，但我想说明如何在Tensorflow Version 2.0 。

要知道有多少个GPU可用，我们可以使用以下代码：

print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

要找出您的操作和张量分配给哪些设备，请将tf.debugging.set_log_device_placement(True)作为程序的第一条语句。

启用设备放置日志记录将导致打印任何张量分配或操作。例如，运行以下代码：

tf.debugging.set_log_device_placement(True)

# Create some tensors
a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
c = tf.matmul(a, b)

print(c)

给出如下所示的输出：

在设备/ job：localhost / replica：0 / task：0 / device：GPU：0 tf.Tensor（[[22. 28.] [49. 64.]]，shape =（2，2），中执行op MatMul dtype = float32）

有关更多信息，请参考此链接

是的，您可以在GPU上运行keras模型。几件事您将必须首先检查。

1. 您的系统具有GPU（Nvidia。因为AMD尚未运行）
2. 您已经安装了Tensorflow的GPU版本
3. 您已安装CUDA 安装说明
4. 验证Tensorflow是否与GPU一起运行， 检查GPU是否正常工作

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

要么

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

输出将是这样的：

[
  name: "/cpu:0"device_type: "CPU",
  name: "/gpu:0"device_type: "GPU"
]

完成所有这些操作后，您的模型将在GPU上运行：

要检查keras（> = 2.1.1）是否使用GPU：

from keras import backend as K
K.tensorflow_backend._get_available_gpus()

祝一切顺利。