nvidia-smi右上角显示的“CUDA Version: X.Y”是当前驱动支持的最高CUDA版本，而非已安装版本；例如显示12.4，则仅可安装CUDA 12.4及更低版本，不可安装12.5及以上版本。
怎么查清当前驱动能支持哪些CUDA版本
直接运行 nvidia-smi，右上角显示的 “CUDA Version: X.Y” 不是你已装的 CUDA，而是显卡驱动**能支持的最高 CUDA 版本**。比如显示 CUDA Version: 12.4，说明你最多只能装 CUDA 12.4 或更低（如 12.2、12.3），但绝不能装 12.5——否则 import tensorflow 时大概率报 ImportError: DLL load failed（Windows）或 NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver（Linux）。
驱动太旧？必须去 NVIDIA 官网下载最新 Game Ready 或 Studio 驱动，不是只装 CUDA Toolkit 自带的驱动；Ubuntu 用户可用 sudo apt install nvidia-driver-535（以实际兼容版本为准）；WSL2 下 nvidia-smi 显示的是宿主机驱动，但 WSL2 内核和 cuDNN 加载方式另有限制，慎用。
为什么不能随便选最新CUDA + 最新cuDNN
TensorFlow 不验证“最新组合”，只认它自己编译时用的那一套。硬凑高版本会触发 Failed to load native TensorFlow runtime 或 cannot open shared object file: libcu*.so.XX。例如：
-
TensorFlow 2.16+要求CUDA 12.2+cuDNN 8.9 -
TensorFlow 2.15锁死CUDA 11.8+cuDNN 8.6 -
TensorFlow 2.10是最后一个支持CUDA 11.2+cuDNN 8.1的稳定版
查兼容表唯一靠谱来源是：tensorflow.org/install/gpu#software_requirements（实时更新）。别信博客里“亲测可用”的组合，尤其当你的项目要上线时。
立即学习“Python免费学习笔记（深入）”；
Windows 和 Linux 下 cuDNN 安装最容易漏的关键点
cuDNN 不是 pip install 就完事的包，必须手动解压并复制文件到对应 CUDA 目录：
- Windows：解压
cudnn-windows-x86_64-8.x.x.x_cudaX.Y-archive.zip，把bin/下的cudnn64_X.dll、include/下的头文件、lib/下的cudnn.lib全部拷进C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y\ - Linux：解压
cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz后，用sudo cp -P cuda/include/cudnn*.h /usr/local/cuda-X.Y/include和sudo cp -P cuda/lib/libcudnn* /usr/local/cuda-X.Y/lib64 - 漏加环境变量就等于白装：Windows 要把
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y\bin加进PATH；Linux 必须设LD_LIBRARY_PATH=/usr/local/cuda-X.Y/lib64:$LD_LIBRARY_PATH
常见错误现象：ImportError: libcudnn.so.8: cannot open shared object file —— 先用 ls -l /usr/lib/x86_64-linux-gnu/ | grep cudnn 或 where cudnn64_8.dll 确认文件是否存在、路径是否被识别。
pip install tensorflow 为什么总装成 CPU 版
从 TensorFlow 2.10 开始，PyPI 上的 tensorflow 包默认是 CPU-only（tensorflow-cpu）。GPU 支持已拆为可选依赖：
- 推荐命令：
pip install tensorflow[and-cuda]（自动拉取匹配 CUDA/cuDNN 的二进制） - conda 用户更稳：
conda install tensorflow-gpu（conda 会自动解决 CUDA 工具链依赖） - 绝对不要装
tensorflow-gpu（该包在 2.10+ 已废弃，会冲突）
验证是否生效，启动 Python 后运行：
import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))输出非空列表才算成功。如果返回空，优先检查 LD_LIBRARY_PATH（Linux）或 PATH（Windows）是否包含 CUDA/cuDNN 的 bin/lib 路径——这是最常被忽略、也最难排查的一环。
