在Tensorflow 2.x中有几种检查GPU的方法。本质上，如果GPU可用，那么模型将在其上运行（除非它被另一个TF示例锁定而处于忙碌状态）。放置也将在日志文件中看到，并且可以使用例如nvidia-smi进行确认。
在下面的代码中，我将假设tensorflow被导入为tf（根据约定和您的代码）。

要检查哪些设备可用，请运行：

tf.config.experimental.list_physical_devices()

下面是我的输出：
【PhysicalDevice（name='/physical_device：CPU：0 '，device_type='CPU'），PhysicalDevice（name='/physical_device：XLA_CPU：0 '，device_type='XLA_CPU'），PhysicalDevice（name='/physical_device：GPU：0 '，device_type='GPU'），PhysicalDevice（name='/physical_device：XLA_GPU：0 '，device_type='XLA_GPU'）】
为了检查系统上是否有GPU：

is_gpu = len(tf.config.experimental.list_physical_devices('GPU')) > 0

从Tensorflow 2.1开始，此功能已从实验迁移，您可以以相同的方式使用：用途：tf.config.list_physical_devices()，即

is_gpu = len(tf.config.list_physical_devices('GPU')) > 0

在某个时间点，实验部分将被弃用。
最后但并非最不重要的是，如果你的tensorflow是在没有CUDA的情况下构建的（它是一个非GPU版本），list_physical_devices('GPU')也将返回False，即使你的系统物理上有一个GPU。

“GPU被TF识别后是否自动？”

是的。在TF docs之后引用：
注意：使用tf.config.experimental.list_physical_devices（'GPU'）确认TensorFlow正在使用GPU。
如果它被识别，它将在训练过程中使用。如果你想完全确定，你可以要求更明确的日志记录：

tf.debugging.set_log_device_placement(True)

有一个更简单的方法来实现这一点：

import tensorflow as tf
if tf.test.gpu_device_name():
    print('Default GPU Device: {}'.format(tf.test.gpu_device_name()))
else:
    print(""Please install GPU version of TF"")

（或）

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

（或）
TF中出现了一些有用的功能：
告诉gpu是否可用

tf.test.is_gpu_available()

返回GPU设备的名称”

tf.test.gpu_device_name()

现在在8月23日这里--使用这个tf.config.list_physical_devices('GPU')源代码官方TF安装页面。tensorflow.org/install/pip