tf.config.experimental.list_physical_devices('GPU')返回空列表说明TensorFlow已加载但未识别GPU，主因是CUDA/cuDNN库未正确链接；需先用nvidia-smi确认驱动正常，再按系统区分处理：Windows须用TF 2.10.0并手动配置cudnn64_7.dll路径至PATH，Linux/WSL2需严格匹配版本并设置LD_LIBRARY_PATH与XLA_FLAGS。
tf.config.experimental.list_physical_devices('GPU') 返回空列表
这说明 TensorFlow 已加载，但完全没识别到 GPU 设备。不是驱动没装、也不是显卡坏了，而是底层 CUDA/cuDNN 库根本没被正确链接进来。常见现象包括：libcudnn.so.7 或 cudnn64_7.dll 报错找不到，或日志里出现 Could not load dynamic library 'cudnn64_7.dll'。
关键判断点：先运行 nvidia-smi 确认驱动正常（能看到 GPU 列表和驱动版本），再确认你用的是 Windows 还是 Linux/WSL —— 这直接决定后续路径：
- Windows 本地环境：TensorFlow ≥ 2.11.0 官方已移除 GPU 支持，必须降级到 2.10.0
- Linux 或 WSL2：可继续用 2.11+，但需严格匹配 CUDA/cuDNN 版本（如 TF 2.13 对应 CUDA 12.2 + cuDNN 8.9）
- Mac（Apple Silicon）：不支持 NVIDIA GPU，此问题不适用
Windows 上装 TensorFlow 2.10.0 仍报 cudnn64_7.dll 缺失
这是因为 pip 安装的 tensorflow==2.10.0 不自带 cuDNN，它只依赖系统 PATH 中已有的 CUDA 工具链。而 Windows 默认不设 CUDA 相关环境变量，即使你装了 CUDA 11.2，TensorFlow 也找不到 cudnn64_7.dll。
解决方式不是手动拷文件到 System32（危险且易冲突），而是把 cuDNN 的 bin 目录加进 PATH：
立即学习“Python免费学习笔记（深入）”；
- 下载与 CUDA 11.2 匹配的
cudnn-11.2-windows-x64-v8.9.7.29（注意版本号，8.9.7 是 2.10.0 实测兼容的） - 解压后，把
cudnn-11.2-windows-x64-v8.9.7.29\cuda\bin路径加入系统环境变量PATH - 重启命令行或 PyCharm 终端，再运行
import tensorflow as tf; print(len(tf.config.experimental.list_physical_devices('GPU')))
别跳过“重启终端”这步 —— PATH 变更不会热加载到已有进程。
Linux/WSL2 中 LD_LIBRARY_PATH 没生效
在 conda 环境里装了 cudatoolkit=11.2 和 cudnn=8.9.7，但 tf.test.is_built_with_cuda() 返回 True，list_physical_devices('GPU') 却仍是空 —— 大概率是 LD_LIBRARY_PATH 没正确指向 conda 环境里的库目录。
验证方法：运行 echo $LD_LIBRARY_PATH，确认输出包含类似 /home/xxx/miniconda3/envs/myenv/lib 的路径；若没有，手动执行：
export LD_LIBRARY_PATH=$CONDA_PREFIX/lib:$LD_LIBRARY_PATH
更稳妥的做法是配置 conda 的 activate/deactivate 脚本（路径为 ~/.conda/envs/myenv/etc/conda/activate.d/env_vars.sh），否则每次新开终端都要重设。
注意：XLA_FLAGS=--xla_gpu_cuda_data_dir=$CONDA_PREFIX 这个变量对 TF 2.10+ 的 GPU 初始化是必需的，漏掉会导致初始化失败但无明确报错。
PyTorch 能看到 GPU，TensorFlow 却看不到
这是最典型的版本错配信号。PyTorch 自带 CUDA 运行时（比如 torch-2.2.2+cu121），而 TensorFlow 2.x 完全依赖系统级 CUDA 安装 —— 两者互不感知。
检查步骤：
- 运行
nvidia-smi查驱动支持的最高 CUDA 版本（如显示 12.4，不代表你装了 12.4） - 运行
nvcc --version查实际安装的 CUDA 编译器版本 - 查
python -c "import tensorflow as tf; print(tf.__version__)"; print(tf.test.is_built_with_cuda())"
三者必须形成闭环：TF 版本 → 要求的 CUDA/cuDNN → 你实际装的版本。例如 TF 2.10.0 明确要求 CUDA 11.2 + cuDNN 8.1–8.9，装了 CUDA 12.x 就必然失败，哪怕 nvidia-smi 显示支持。
最容易被忽略的是：CUDA 多版本共存时，/usr/local/cuda 是个软链接，它指向哪个版本，就决定了 TF 加载哪个。别只看装了什么，要看这个链接指哪。
