TensorFlow程序可以通过tf.device函数来指定运行每一个操作的设备。
这个设备可以是本地的CPU或者GPU，也可以是某一台远程的服务器。
TensorFlow会给每一个可用的设备一个名称，tf.device函数可以通过设备的名称，来指定执行运算的设备。比如CPU在TensorFlow中的名称为/cpu:0。
在默认情况下，即使机器有多个CPU，TensorFlow也不会区分它们，所有的CPU都使用/cpu:0作为名称。
–而一台机器上不同GPU的名称是不同的，第n个GPU在TensorFlow中的名称为/gpu:n。
–比如第一个GPU的名称为/gpu:0，第二个GPU名称为/gpu:1，以此类推。
–TensorFlow提供了一个快捷的方式，来查看运行每一个运算的设备。
–在生成会话时，可以通过设置log_device_placement参数来打印运行每一个运算的设备。
请看下面例子：
下面程序展示了log_device_placement参数的使用，在机器上直接运行代码：
–import tensorflowas tf
–a = tf.constant([1.0, 2.0, 3.0], shape=[3], name=‘a‘)
–b = tf.constant([1.0, 2.0, 3.0], shape=[3], name=‘b‘)
–c = a + b
–# 通过log_device_placement参数来输出运行每一个运算的设备。
–sess= tf.Session(config=tf.ConfigProto(log_device_placement=True))
–print sess.run(c)
在以上代码中，TensorFlow程序生成会话时加入了参数log_device_placement=True，所以程序会将运行每一个操作的设备输出到屏幕。
–除了可以看到最后的计算结果之外，还可以看到类似“add: /job:localhost/replica:0/task:0/cpu:0”这样的输出
–这些输出显示了执行每一个运算的设备。比如加法操作add是通过CPU来运行的，因为它的设备名称中包含了/cpu:0。
–在配置好GPU环境的TensorFlow中，如果操作没有明确地指定运行设备，那么TensorFlow会优先选择GPU。
在没有GPU的机器上运行，以上代码得到以下输出：
–Device mapping: no known devices.
–add: /job:localhost/replica:0/task:0/cpu:0
–b: /job:localhost/replica:0/task:0/cpu:0
–a: /job:localhost/replica:0/task:0/cpu:0
–[ 2. 4. 6.]
–‘‘‘