在《TensorFlow之目标检测API接口调试（超详细）》文章中，介绍了tensorflow API接口调用方法，详细描述了训练的过程，训练的时候用了单GPU训练，tensorflow是支持多GPU训练的，因此，介绍一下多GPU训练的方法。

很简单，只需要修改两个地方：

第一个参数是train.py文件，找到以下参数

flags.DEFINE_integer('num_clones', 1, 'Number of clones to deploy per worker.')
默认为1，如果自己有多个GPU，可以将参数修改为GPU数量，比如说2、4等；当然也可以在运行train.py的时候以参数的形式传入。

第二个参数是训练配置文件，如rfcn_resnet101_coco.config，根据自己使用的具体网络不同，在train_config中，找到batch_size参数，默认值为1，可修改为大点的参数，理论上

大点比较好，并且要求是GPU数量的整数倍，比如设置为8、16、32等，这个参数根据显存来决定，显存越大，可设置的越大。

在batch_size一定的情况下，GPU数量越多，训练速度越快

修改完上述两个参数后，就可以调用多个GPU来训练了。

注意batch_size的设置要合理，如果设置过大，会报如下所示的错误

ResourceExhaustedError (see above for traceback): OOM when allocating tensor with shape[8,2048,36,64] and type float on /job:localhost/replica:0/task:0/device:GPU:1 by allocator GPU_1_bfc

如果说想要指定GPU号，则在train.py中添加以下代码

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0，3'

表示调用第1块和第4块显卡训练