TensorFlow 2.1+统一用tensorflow包自动启用GPU，需匹配NVIDIA驱动（支持CUDA≥所需版本）、显卡计算能力（≥3.5）及CUDA/cuDNN版本组合；推荐conda安装并验证tf.config.list_physical_devices('GPU')。
pip install tensorflow-gpu 安装了——这个包早在 TensorFlow 2.1.0 就被废弃，后续所有版本（2.1+）统一用 tensorflow 包，自动识别并启用 GPU 支持（只要底层环境配对正确）。
确认 NVIDIA 驱动和计算能力是否达标
不是所有 NVIDIA 显卡都支持当前主流 TensorFlow。关键看两件事：
-
nvidia-smi输出顶部显示的「CUDA Version」是驱动**最高支持**的 CUDA 版本，不是你已装的版本；它必须 ≥ 你打算装的 CUDA Toolkit 版本 - 显卡 Compute Capability 必须 ≥ 3.5（GTX 600 系列起基本都满足），但 RTX 40 系列需 CUDA 11.8+，而 TensorFlow 2.13+ 要求 CUDA 12.1 —— 如果你的驱动太老（比如只支持到 CUDA 11.2），就无法装 2.13+
运行 nvidia-smi 后看第一行右上角数字，例如显示 CUDA Version: 12.4，说明驱动可兼容 CUDA 12.4 及更低版本；若显示 11.2，那装 CUDA 12.1 就会失败。
选对 CUDA + cuDNN + TensorFlow 三者组合
2026 年实操中，最稳的组合不是最新版，而是经过大量项目验证的「小版本对齐」：
- TensorFlow 2.13.x → CUDA 12.1 + cuDNN 8.9
- TensorFlow 2.12.x → CUDA 11.8 + cuDNN 8.6
- TensorFlow 2.10.x → CUDA 11.2 + cuDNN 8.1（仅限旧卡或受限环境）
错配后果直接：导入 tensorflow 不报错，但 tf.config.list_physical_devices('GPU') 返回空列表，或训练时 fallback 到 CPU —— 这类问题 90% 出在 CUDA/cuDNN 版本没对上，而不是 Python 或 pip 搞错了。
立即学习“Python免费学习笔记（深入）”；
用 conda 装比 pip 更省事（尤其 Windows）
conda 自动处理 CUDA Toolkit 和 cuDNN 的二进制依赖，避免手动下载、解压、改 PATH、设 LD_LIBRARY_PATH。步骤极简：
conda create -n tf-gpu python=3.9 conda activate tf-gpu conda install -c conda-forge cudatoolkit=12.1 cudnn=8.9 pip install tensorflow==2.13.1
注意三点：
- 不要用
conda install tensorflow（它装的是旧版或 CPU-only） -
cudatoolkit是 conda 封装的 CUDA 运行时，不包含编译器（nvcc），但够 TensorFlow 用 - 装完立刻验证：
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"—— 输出非空 list 才算真正启用 GPU
常见失效场景和绕过方式
即使上述全对，仍可能看到 GPU 不可用。高频原因：
- Windows 上用了 WSL2：WSL2 的 NVIDIA 驱动支持有延迟，
tf.test.is_built_with_cuda()返回 True 但list_physical_devices('GPU')为空 —— 换回原生 Windows 环境重试 - PyCharm 或 VS Code 终端没激活 conda 环境：检查终端左下角 Python 解释器路径是否指向
tf-gpu环境，不是 base 或系统 Python - 多显卡机器默认选错卡：用
os.environ['CUDA_VISIBLE_DEVICES'] = '0'强制指定（放在 import tensorflow 前）
最易被忽略的一点：某些笔记本厂商（如 Dell、Lenovo）出厂预装的 NVIDIA 驱动是定制精简版，不带 CUDA 支持模块 —— 即使 nvidia-smi 正常，也得去 NVIDIA 官网下载「Desktop Game Ready Driver」完整版覆盖安装。
