要在GPU上加速TFLearn的训练，首先需要确保你的电脑上有合适的GPU和安装了CUDA和cuDNN。接着，在你的代码中，你可以通过设置gpu参数来指定使用GPU进行训练。比如：
import tflearn
# 定义模型
net = tflearn.input_data(shape=[None, 784])
net = tflearn.fully_connected(net, 64)
net = tflearn.fully_connected(net, 10, activation='softmax')
# 定义模型参数
model = tflearn.DNN(net, gpu=0)
# 训练模型
model.fit(X, Y, n_epoch=10, batch_size=128, show_metric=True)
在上面的代码中，gpu=0表示使用第一个GPU进行训练。如果你有多个GPU，你可以设置gpu='0,1'来同时使用多个GPU进行训练。另外，你也可以使用gpu_memory_fraction参数来限制GPU的内存使用量，以防止内存溢出。
