使用tf.device()指定GPU或CPU设备
TensorFlow提供了一个简单的API，tf.device()，可以让用户指定操作运行在特定的设备上，包括GPU或CPU。
with tf.device('/gpu:0'):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
上面的代码指定了执行tf.matmul操作的设备为GPU 0，如果没有指定设备，TensorFlow会自动选择一个可用的设备来执行操作。
如果想要指定操作运行在CPU上，可以使用'/cpu:0'指定：
with tf.device('/cpu:0'):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
也可以使用tf.config.experimental.set_visible_devices()函数来设置可见的设备：
tf.config.experimental.set_visible_devices([], 'GPU')
上面的代码将所有的GPU设备设置为不可见，这样TensorFlow就不会使用GPU来执行操作了。
还可以使用tf.config.experimental.set_virtual_device_configuration()函数来指定虚拟设备的配置：
tf.config.experimental.set_virtual_device_configuration(
[tf.config.experimental.VirtualDeviceConfiguration(memory_limit=1024)])
上面的代码将虚拟设备的内存限制设置为1024MB，这样TensorFlow就可以更好地调度设备资源，提高模型训练的效率。
可以使用tf.device()指定GPU或CPU设备，也可以使用tf.config.experimental.set_visible_devices()和tf.config.experimental.set_virtual_device_configuration()来设置可见的设备和虚拟设备的配置，从而更好地调度设备资源，提高模型训练的效率。