直接安装tensorflow==2.15.0即可，该版本已合并CPU/GPU支持，无需tensorflow-gpu；需匹配CUDA 11.8、cuDNN 8.6及NVIDIA驱动≥525.60.13，并通过tf.config.list_physical_devices('GPU')验证。
直接装 tensorflow==2.15.0 就行，别碰 tensorflow-gpu
TensorFlow 2.15 已经把 CPU 和 GPU 版本合并了，tensorflow 包本身自带 GPU 支持，只要底层 CUDA/cuDNN 配置正确，它就会自动启用 GPU。你如果还去搜 tensorflow-gpu，那包早在 2.1.0 就被废弃了，pip 会报错或装错版本。
常见错误现象：pip install tensorflow-gpu==2.15.0 失败，或者装完后 tf.config.list_physical_devices('GPU') 返回空列表，根本不是没装对，而是压根不该用这个包名。
- 只运行
pip install tensorflow==2.15.0（国内加清华源更稳） - 确保 Python 是 3.9 或 3.10（3.11 及以上不被官方支持）
- 不要手动 pip 安装
cudatoolkit或cudnn—— 这些是系统级依赖，不是 Python 包
CUDA 和 cuDNN 不是 pip 装的，得靠系统环境和驱动匹配
很多人卡在这一步：明明装了 CUDA 12.x，但 TensorFlow 2.15 死活识别不了 GPU。原因很简单 —— 官方明确要求 CUDA 11.8 + cuDNN 8.6（截至 2026 年 6 月，未变）。装高了或低了都不行。
验证方式不是看 nvidia-smi，而是看 tf.test.is_built_with_cuda() 是否返回 True，以及 tf.config.list_physical_devices('GPU') 是否有设备输出。
立即学习“Python免费学习笔记（深入）”；
- NVIDIA 驱动必须 ≥ 525.60.13（对应 CUDA 11.8 最低要求）
- Windows 用户：从 NVIDIA 官网下载驱动，别用 GeForce Experience 自动更新（可能降级）
- Linux 用户：用
nvidia-driver-525或更高版本的 deb/rpm 包，避免用系统默认仓库里的老旧驱动 - CUDA Toolkit 和 cuDNN 必须从 NVIDIA 官网下载对应版本，解压后配置
PATH和LD_LIBRARY_PATH（Windows 是PATH）
虚拟环境里装完还得检查 __version__ 和 list_physical_devices
装完只是第一步，很多人跳过验证，结果训练时还在用 CPU 慢跑，自己还不知道。最简验证代码就两行，必须在你实际跑模型的同一环境中执行：
import tensorflow as tf
print(tf.__version__, tf.config.list_physical_devices('GPU'))
预期输出类似：2.15.0 [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]。如果第二项是空列表，说明 GPU 没生效，问题一定出在驱动/CUDA/cuDNN 三者之一，不是 TensorFlow 本身。
- 别在 Jupyter 或 IDE 的全局 Python 环境里验证，一定要进你
venv或conda激活后的终端再跑 - 如果报
Could not load dynamic library 'libcudnn.so.8'，说明 cuDNN 路径没加对，或文件权限不对（Linux 常见） - 如果报
Failed to get convolution algorithm，大概率是 cuDNN 版本错，比如用了 8.9 而不是 8.6
实在搞不定？直接用预编译镜像，绕过所有本地配置
本地配 CUDA 是最易出错的环节，尤其 Windows 下 DLL 路径、多版本共存、权限问题层出不穷。如果你只是想快速跑通模型、做实验或学习，没必要死磕。
Docker 镜像 tensorflow/tensorflow:2.15.0-gpu-jupyter 已经打包好 Python 3.9、CUDA 11.8、cuDNN 8.6、Jupyter 和全部依赖 —— 你只需要装 Docker，然后一条命令启动：
docker run -it --gpus all -p 8888:8888 tensorflow/tensorflow:2.15.0-gpu-jupyter
然后浏览器打开 http://localhost:8888，就能写代码、看 GPU 设备、训模型，全程不碰本地 CUDA 安装。
真正容易被忽略的是：很多用户花几小时调路径、换驱动、重装系统，却不愿花 5 分钟试一下镜像。不是镜像万能，而是它帮你锁死了所有变量 —— 当你不确定哪一环错了，先固定住环境，才能准确定位问题。
