要在代码中使用 TensorFlow 的 GPU 功能，需要确保安装了支持 GPU 的 TensorFlow 版本，并正确配置了 CUDA 和 cuDNN。以下是如何调用和配置 TensorFlow 以使用 GPU 的步骤：

1. 安装 GPU 版本的 TensorFlow

首先，确保安装了 TensorFlow 的 GPU 版本。可以通过以下命令安装：

pip install tensorflow

（注意，如果使用的是 TensorFlow 2.x，默认情况下它支持 GPU。）

2. 配置环境

确保系统中安装了 NVIDIA 的 CUDA 和 cuDNN，并且版本与 TensorFlow 兼容。可以参考 TensorFlow 的官方安装指南获取具体版本要求。

3. 验证 TensorFlow 是否检测到 GPU

在 Python 中，可以通过以下代码检查 TensorFlow 是否检测到 GPU：

import tensorflow as tf

# 检查 TensorFlow 版本
print("TensorFlow version:", tf.__version__)

# 检查是否可用的 GPU
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    print("GPUs detected:")
    for gpu in gpus:
        print(gpu)
else:
    print("No GPU detected.")

4. 配置 GPU 内存使用（可选）

TensorFlow 允许配置 GPU 的内存使用方式，例如，按需分配或限制最大内存使用：

# 限制 TensorFlow 使用的 GPU 内存
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
    try:
        # 设置为按需分配
        for gpu in gpus:
            tf.config.experimental.set_memory_growth(gpu, True)
        
        # 或者设置一个内存上限（例如，4GB）
        # tf.config.experimental.set_virtual_device_configuration(
        #     gpus[0],
        #     [tf.config.experimental.VirtualDeviceConfiguration(memory_limit=4096)])
    except RuntimeError as e:
        print(e)

5. 运行 TensorFlow 代码

一旦设置完成，可以像往常一样运行 TensorFlow 代码，GPU 将自动用于支持的操作。

# 示例代码：简单的 TensorFlow 计算
a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
b = tf.constant([[5.0, 6.0], [7.0, 8.0]])

c = tf.matmul(a, b)
print(c)

确保在开始使用 TensorFlow 之前，已经正确设置和安装了所需的软件和驱动程序。