嗨，看起来你已经成功搞定了支持GPU的TensorFlow安装，设备检测也显示GeForce GTX 970被正确识别了，这太棒了！想要在GPU环境下使用Keras其实非常简单，下面我给你详细说明操作步骤：

1. 确认Keras后端配置 #

Keras默认会以TensorFlow作为后端运行，不过你可以检查配置文件确保设置正确：

• 配置文件路径：Windows系统下是C:\Users\你的用户名\.keras\keras.json，Linux/macOS是~/.keras/keras.json
• 打开文件后，确保"backend"字段的值为"tensorflow"，如果不是的话修改保存即可。

2. 无需额外代码，自动调用GPU #

只要你的GPU环境正常，Keras在训练、运行模型时会自动优先使用GPU资源，不需要额外修改代码。你可以运行一段简单的测试代码验证：

# 可选：屏蔽TensorFlow的CPU指令警告
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

from keras.models import Sequential
from keras.layers import Dense
import numpy as np
from keras.utils import to_categorical

# 构建简单神经网络模型
model = Sequential()
model.add(Dense(64, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 生成测试数据
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))
one_hot_labels = to_categorical(labels, num_classes=10)

# 训练模型，此时会自动调用GPU执行运算
model.fit(data, one_hot_labels, epochs=10, batch_size=32)

3. 验证GPU是否被正常使用 #

如果你想确认Keras确实在调用GPU，可以添加以下代码检测：

from keras import backend as K
print("可用GPU列表：", K.tensorflow_backend._get_available_gpus())

运行后如果输出包含你的GeForce GTX 970，就说明GPU已经被正确调用。另外你也可以通过NVIDIA任务管理器，或者在命令行运行nvidia-smi命令，查看GPU使用率的变化来验证。

关于CPU指令警告的说明 #

你之前看到的AVX2警告只是提示当前TensorFlow二进制包没有编译支持CPU的AVX2指令集，这完全不会影响GPU的使用。如果觉得这个警告干扰输出，就用上面代码里的os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'屏蔽它，记得把这段代码放在所有TensorFlow和Keras的导入语句之前。

内容的提问来源于stack exchange，提问作者user2505650