inter_op_parallelism_threads和intra_op_parallelism_threads选项记录在tf.ConfigProto协议缓冲区的源中 。这些选项配置了TensorFlow用来并行化执行的两个线程池，如注释所述：

// The execution of an individual op (for some op types) can be
// parallelized on a pool of intra_op_parallelism_threads.
// 0 means the system picks an appropriate number.
int32 intra_op_parallelism_threads = 2;

// Nodes that perform blocking operations are enqueued on a pool of
// inter_op_parallelism_threads available in each process.
//
// 0 means the system picks an appropriate number.
//
// Note that the first Session created in the process sets the
// number of threads for all future sessions unless use_per_session_threads is
// true or session_inter_op_thread_pool is configured.
int32 inter_op_parallelism_threads = 5;

运行TensorFlow图时，可能有几种并行形式，这些选项提供了一些控制多核CPU并行性：

• 如果您具有可以在内部并行化的操作，例如矩阵乘法（ tf.matmul() ）或归约（例如tf.reduce_sum() ），则TensorFlow将通过在具有intra_op_parallelism_threads线程的线程池中调度任务来执行该操作。因此，此配置选项控制单个操作的最大并行加速。请注意，如果并行运行多个操作，则这些操作将共享此线程池。

• 如果您在TensorFlow图中有许多独立的操作-因为在数据流图中它们之间没有直接的路径-TensorFlow将尝试使用带有inter_op_parallelism_threads线程的线程池并发运行它们。如果这些操作具有多线程实现，则它们（在大多数情况下）将共享同一线程池以进行操作内并行操作。

最后，两个配置选项的默认值均为0 ，这表示“系统选择了一个合适的数字”。当前，这意味着每个线程池在您的计算机中每个CPU内核将有一个线程。

为了从机器上获得最佳性能，请为tensorflow后端 （从此处 ）更改并行线程和OpenMP设置，如下所示：

import tensorflow as tf

#Assume that the number of cores per socket in the machine is denoted as NUM_PARALLEL_EXEC_UNITS
#  when NUM_PARALLEL_EXEC_UNITS=0 the system chooses appropriate settings 

config = tf.ConfigProto(intra_op_parallelism_threads=NUM_PARALLEL_EXEC_UNITS, 
                        inter_op_parallelism_threads=2, 
                        allow_soft_placement=True,
                        device_count = {'CPU': NUM_PARALLEL_EXEC_UNITS})

session = tf.Session(config=config)

下面的评论答案： [来源]

allow_soft_placement=True

如果您希望TensorFlow在不存在指定设备的情况下自动选择一个现有的受支持的设备来运行操作，则可以在创建会话时在配置选项中将allow_soft_placement设置为True。简而言之，它允许动态分配GPU内存。