如果要强制Keras使用CPU

路1

import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"   # see issue #152
os.environ["CUDA_VISIBLE_DEVICES"] = ""

在导入Keras / Tensorflow之前。
第二条路
以下列身份运行脚本

$ CUDA_VISIBLE_DEVICES="" ./your_keras_code.py

另请参阅

1. https://github.com/keras-team/keras/issues/152
2. https://github.com/fchollet/keras/issues/4613

这对我（win10）有效，在导入keras之前放置：

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'

一种比较独立的方法是使用

import tensorflow as tf
from keras import backend as K

num_cores = 4

if GPU:
    num_GPU = 1
    num_CPU = 1
if CPU:
    num_CPU = 1
    num_GPU = 0

config = tf.ConfigProto(intra_op_parallelism_threads=num_cores,
                        inter_op_parallelism_threads=num_cores, 
                        allow_soft_placement=True,
                        device_count = {'CPU' : num_CPU,
                                        'GPU' : num_GPU}
                       )

session = tf.Session(config=config)
K.set_session(session)

这里，用booleans和CPU，我们通过严格定义Tensorflow会话允许访问的GPU和CPU的数量来指示是使用GPU还是CPU运行代码。变量num_GPU和num_CPU定义了该值。然后，num_cores通过intra_op_parallelism_threads和inter_op_parallelism_threads设置可供使用的CPU内核数。
intra_op_parallelism_threads变量规定了计算图中单个节点中的并行操作允许使用的线程数（内部），而inter_ops_parallelism_threads变量定义了跨计算图节点的并行操作可访问的线程数（内部）。
allow_soft_placement允许在满足以下任一条件的情况下在CPU上运行操作：
1.该操作没有GPU实现
1.没有已知或注册的GPU设备
1.需要与来自CPU的其他输入协同定位
所有这些都是在我的类的构造函数中执行的，在任何其他操作之前，并且与我使用的任何模型或其他代码完全分离。
注意：这需要安装tensorflow-gpu和cuda/cudnn，因为提供了使用GPU的选项。
参考文献：

• What do the options in ConfigProto like allow_soft_placement and log_device_placement mean?
• Meaning of inter_op_parallelism_threads and intra_op_parallelism_threads

只需导入tensortflow并使用keras，就这么简单。

import tensorflow as tf
# your code here
with tf.device('/gpu:0'):
    model.fit(X, y, epochs=20, batch_size=128, callbacks=callbacks_list)

根据keras tutorial，您可以简单地使用与常规tensorflow 中相同的tf.device范围：

with tf.device('/gpu:0'):
    x = tf.placeholder(tf.float32, shape=(None, 20, 64))
    y = LSTM(32)(x)  # all ops in the LSTM layer will live on GPU:0

with tf.device('/cpu:0'):
    x = tf.placeholder(tf.float32, shape=(None, 20, 64))
    y = LSTM(32)(x)  # all ops in the LSTM layer will live on CPU:0

我只是花了一些时间才弄明白。托马斯的答案并不完整。假设你的程序是test.py，你想使用gpu0来运行这个程序，并保持其他gpus的自由。
您应该写入CUDA_VISIBLE_DEVICES=0 python test.py
请注意，它是DEVICES，而不是DEVICE

对于使用PyCharm的人，为了强制使用CPU，您可以在Run/Debug配置中的Environment variables下添加下面的行：

<OTHER_ENVIRONMENT_VARIABLES>;CUDA_VISIBLE_DEVICES=-1

要禁用在GPU上运行（tensor flow 2.9），请使用tf.config.set_visible_devices([], 'GPU')。空列表参数表示在此运行中将没有可见的GPU。
在代码的早期执行此操作，例如在Keras初始化tf配置之前。
参见文档https://www.tensorflow.org/versions/r2.9/api_docs/python/tf/config/set_visible_devices