TensorFlow无法识别GPU主因是CUDA/cuDNN动态库未正确链接，非驱动或显卡故障；需先用nvidia-smi确认驱动正常，再依系统处理：Windows须用TF 2.10.0并精确配置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。
TensorFlow 无法识别本地 CUDA，90% 不是驱动或显卡问题，而是它根本没加载到正确的 libcudnn.so 或 cudnn64_*.dll —— 甚至压根没找到 CUDA 运行时库。
tf.config.list_physical_devices('GPU') 返回空列表，但 nvidia-smi 正常
这说明 NVIDIA 驱动工作正常，GPU 可被系统识别；问题出在 TensorFlow 启动时的动态链接阶段。常见现象包括：
-
Could not load dynamic library 'libcudnn.so.8'（Linux）或Could not load dynamic library 'cudnn64_8.dll'（Windows） -
tf.test.is_built_with_cuda()返回False - PyTorch 能识别 GPU，TensorFlow 却不能（说明 CUDA 安装本身没问题，只是 TF 没连上）
根本原因：TensorFlow 在编译时硬编码了 cuDNN 的 SONAME（如 libcudnn.so.8.1.1.33），运行时只认这个精确版本。哪怕你装的是 libcudnn8=8.1.2.45，它也会静默失败。
验证方式：ldd $(python -c "import tensorflow as tf; print(tf.__file__)") | grep cudnn（Linux）
看输出里实际想找的到底是哪个完整文件名。
Windows 上 pip install tensorflow==2.10.0 后仍缺 cudnn64_7.dll
TensorFlow 2.10.0 是最后一个原生支持 Windows GPU 的版本，但它不自带 cuDNN —— 它依赖你系统 PATH 中已有的 cudnn64_7.dll 及配套 DLL（如 cudnn_cnn_infer64_7.dll、cudnn_ops_infer64_7.dll 等）。少一个就会报错。
立即学习“Python免费学习笔记（深入）”；
正确做法：
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 下载与 CUDA 11.2 匹配的
cudnn-11.2-windows-x64-v8.1.1.33（不是“v8.1.1”模糊版，必须含完整构建号） - 解压后，把
cudnn-11.2-windows-x64-v8.1.1.33\cuda\bin加进系统PATH - 重启所有终端/IDE（已有进程不会自动 reload PATH）
- 别手动复制 DLL 到
System32或 Python 目录 —— 易冲突且绕过版本校验
Linux/WSL2 中 conda 安装 cudnn 后 LD_LIBRARY_PATH 无效
conda install cudnn=8.9.7 往往只改了 lib/ 下的文件，但 TensorFlow 查找路径优先级是：LD_LIBRARY_PATH > /usr/lib/x86_64-linux-gnu/ > /usr/local/cuda/lib64/。如果你没把 conda 环境的 lib 目录加进 LD_LIBRARY_PATH，它就永远看不到。
检查并修复：
- 运行
echo $LD_LIBRARY_PATH，确认输出包含类似/home/xxx/miniconda3/envs/myenv/lib - 若无，执行：
export LD_LIBRARY_PATH="/home/xxx/miniconda3/envs/myenv/lib:$LD_LIBRARY_PATH" - 再验证符号链：
ls -l /home/xxx/miniconda3/envs/myenv/lib/libcudnn.so*，确保libcudnn.so.8.9.7.163 → libcudnn.so.8.9 → libcudnn.so.8链完整 - 注意：TF 2.13.0 只认
libcudnn.so.8.6.0.163，不是8.6.x任意版
TensorFlow ≥ 2.11 在 Windows 上根本不走 CUDA 路径
这是最容易被忽略的架构变更：从 2.11 开始，官方 Windows wheel 移除了 CUDA 构建支持。无论你怎么配环境变量、装多新驱动、放多少 DLL，tf.config.list_physical_devices('GPU') 都会返回空列表 —— 因为二进制里压根没编译 GPU kernel。
你看到的 tf.test.is_built_with_cuda() 返回 False，就是铁证。
可行路径只有两条：
- 降级到
tensorflow==2.10.0（仅限 Windows 原生） - 改用 WSL2 + Linux 版 TensorFlow（支持 2.11+，但需严格匹配 CUDA/cuDNN 版本）
别在 2.12/2.13 上浪费时间调 PATH 或重装 cuDNN —— 库都加载不了，版本再准也没用。
