嘿，这两个问题都是双显卡环境下TensorFlow配置的常见需求，我来给你详细拆解一下：

首先得确认你的独立显卡是NVIDIA的（毕竟TensorFlow官方主要支持NVIDIA GPU加速），而且已经装好了对应版本的CUDA Toolkit和cuDNN——这是GPU加速的基础前提，版本不匹配的话很容易出问题。

接下来有两种靠谱的配置方式：

• 全局环境变量限制：在启动Python脚本前，通过CUDA_VISIBLE_DEVICES环境变量，只让TensorFlow“看到”你的独立显卡。比如你可以用nvidia-smi命令查看显卡编号，假设独立显卡是设备0，那么：

  # Linux/macOS终端
  export CUDA_VISIBLE_DEVICES=0
  # Windows命令提示符
  set CUDA_VISIBLE_DEVICES=0
  # Windows PowerShell
  $env:CUDA_VISIBLE_DEVICES=0
  

  这样设置后，TensorFlow完全不会识别到集成显卡，所有相关计算都会跑在独立显卡上。

• 代码内动态指定：如果不想全局生效，也可以在TensorFlow代码里显式指定设备。比如：

  import tensorflow as tf
  
  # 先确认可用的GPU设备，独立显卡一般是'/GPU:0'
  print(tf.config.list_physical_devices('GPU'))
  
  # 把后续的TensorFlow操作都绑定到独立显卡上
  with tf.device('/GPU:0'):
      # 这里写你的模型定义、训练代码
      model = tf.keras.Sequential([tf.keras.layers.Dense(64, activation='relu'), ...])
      model.fit(x_train, y_train, epochs=10)
  

  另外，也可以用tf.config.set_visible_devices直接限制TensorFlow的可见设备：

  gpus = tf.config.list_physical_devices('GPU')
  if gpus:
      # 只让TensorFlow访问第一个GPU（独立显卡）
      tf.config.set_visible_devices(gpus[0], 'GPU')
  

完全可以实现！核心思路就是把不同类型的任务分配到对应的显卡上，让它们各司其职。具体步骤如下：

• 第一步：设置系统默认显示为集成显卡
  打开系统的显卡控制面板（比如NVIDIA控制面板，或者Windows的显示设置→图形设置），把默认图形处理器设为集成显卡。这样日常的桌面渲染、浏览器、办公软件这些非ML任务，都会自动用集成显卡处理，不会占用独立显卡的资源。

• 第二步：强制TensorFlow使用独立显卡
  这部分就可以用上面第一个问题里的方法：要么在运行脚本前设置CUDA_VISIBLE_DEVICES为独立显卡编号，要么在代码里显式指定独立显卡设备。这样模型训练的所有计算都会跑在独立显卡上，和集成显卡的任务互不干扰。

• 验证是否生效
  运行TensorFlow训练脚本时，打开终端执行nvidia-smi，你会看到独立显卡的使用率明显上升，而集成显卡的资源主要用于系统桌面等日常任务，两者的负载是分开的。

需要注意的是，这种配置需要你的硬件支持双显卡切换（大部分笔记本和部分台式机都支持），而且要确保NVIDIA驱动、CUDA、cuDNN和TensorFlow的版本完全匹配，不然可能会出现设备识别失败的情况。

内容的提问来源于stack exchange，提问作者user2340706