要使用GPU加速Python代码，你可以使用支持GPU计算的库，如TensorFlow或PyTorch。以下是使用TensorFlow进行GPU加速的基本步骤：
安装TensorFlow
确保你已经安装了支持GPU的TensorFlow版本。你可以使用pip命令来安装：
```
pip install tensorflow-gpu
检查GPU可用性
在命令行中运行以下命令来查看当前可用的GPU：```nvidia-smi
这将显示所有GPU的使用情况，包括空闲的GPU。
指定GPU运行Python程序
在运行Python程序时，你可以通过设置环境变量来指定使用特定的GPU。例如，如果你想使用编号为0的GPU，可以在命令行中输入：
```
export CUDA_VISIBLE_DEVICES=0
python your_python_script.py
或者，如果你使用的是conda环境，可以使用以下命令：```conda activate your_env_name
export CUDA_VISIBLE_DEVICES=0
python your_python_script.py
在Python程序中指定GPU
在TensorFlow中，你可以使用以下代码来指定使用GPU：
```python
import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices（'GPU'）
if gpus:
try:
Currently, memory growth needs to be the same across GPUs
for gpu in gpus:
tf.config.experimental.set_memory_growth（gpu, True）
logical_gpus = tf.config.experimental.list_logical_devices（'GPU'）
print（len（gpus）, "Physical GPUs,", len（logical_gpus）, "Logical GPUs"）
except RuntimeError as e:
Memory growth must be set before GPUs have been initialized
print（e）
以上步骤可以帮助你使用GPU加速Python代码。如果你使用的是其他深度学习库如PyTorch，步骤也类似，主要区别在于库的API调用。