TensorFlow能否真正用上GPU取决于三件事：CUDA/cuDNN版本与TensorFlow严格匹配、驱动足够新、代码未让GPU“隐身”；任一环节失败都会导致tf.config.list_physical_devices('GPU')返回空列表，训练全程跑CPU。
TensorFlow 能否真正用上 GPU，不取决于是否装了 tensorflow-gpu，而取决于三件事：CUDA/cuDNN 版本与 TensorFlow 严格匹配、驱动足够新、代码里没让 GPU “隐身”。只要其中一环断掉，tf.config.list_physical_devices('GPU') 就会返回空列表，训练全程跑 CPU。
验证 GPU 是否被 TensorFlow 真实识别
别急着写模型，先跑这四行：
import tensorflow as tf
print("TensorFlow version:", tf.__version__)
print("Physical GPUs:", tf.config.list_physical_devices('GPU'))
print("GPU device name:", tf.test.gpu_device_name())
如果 list_physical_devices('GPU') 返回空列表，说明环境层就失败了；如果返回设备但 gpu_device_name() 是空字符串，大概率是 CUDA/cuDNN 版本不兼容或路径没进 PATH。注意：tf.test.is_gpu_available() 在 TF 2.1+ 已弃用，别再用它判断。
CUDA/cuDNN 版本必须和 TensorFlow 官方文档对齐
查错时最常踩的坑是“看着版本差不多就行”——比如 TF 2.13 要求 CUDA 12.1 + cuDNN 8.9，你装了 CUDA 12.0 或 cuDNN 8.6，import tensorflow 不报错，但 GPU 设备就是不出来。官方兼容表以 tensorflow.google.cn/install/gpu 为准，不是博客、不是 GitHub issue、不是 Stack Overflow 的答案。
立即学习“Python免费学习笔记（深入）”；
- Windows 下检查
CUDA_PATH环境变量是否指向C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1（以实际版本为准） - Linux/macOS 检查
LD_LIBRARY_PATH是否包含/usr/local/cuda-12.1/lib64和/usr/local/cudnn-v8.9/lib64 -
nvidia-smi显示的 CUDA 版本只是驱动支持的最高版本，不是你实际安装的 CUDA 工具包版本
显存分配策略必须显式设置
即使 GPU 被识别，TensorFlow 默认行为也可能导致后续训练失败：它会尝试独占所有显存，导致多进程冲突、Jupyter kernel 崩溃，或和其它框架（如 PyTorch）抢资源。
必须在 import tensorflow 之后、任何模型定义之前插入配置：
gpus = tf.config.list_physical_devices('GPU')
if gpus:
try:
# 关键：启用内存增长，避免一次性占满
tf.config.experimental.set_memory_growth(gpus[0], True)
# 可选：只让 TensorFlow 看到第一块 GPU
tf.config.experimental.set_visible_devices(gpus[0], 'GPU')
except RuntimeError as e:
print(e)
不要用已废弃的 tf.GPUOptions 或 tf.ConfigProto，那是 TF 1.x 的写法，在 TF 2.x 中无效且会静默失败。
PyCharm / Jupyter 中容易忽略的启动上下文
在 IDE 里跑不通，不代表代码有问题——而是 IDE 启动时没读取系统级环境变量。比如你在终端里 nvidia-smi 正常、python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))" 也正常，但在 PyCharm 里返回空列表，大概率是 PyCharm 没继承 shell 的 PATH 和 LD_LIBRARY_PATH。
- PyCharm：进入 Run → Edit Configurations → Environment variables，手动补全
CUDA_HOME、LD_LIBRARY_PATH（Linux/macOS）或PATH（Windows） - Jupyter：启动前在终端先
export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH，再运行jupyter notebook - Conda 环境：确保
conda activate myenv后再启动 IDE，否则它可能用 base 环境的 Python 解释器
最隐蔽的问题是：某些笔记本厂商（如 Dell、Lenovo）预装的 NVIDIA 驱动带 Optimus 开关逻辑，nvidia-smi 能看到 GPU，但 TensorFlow 初始化时因权限或电源策略失败——这种情况下，重启进 BIOS 关闭 Hybrid Graphics 或更新到最新版驱动才能解决。
