TensorFlow 2.x默认打满CPU核心是因intra_op和inter_op线程数均设为物理核数，且tf.config.threading.set_intra_op_parallelism_threads必须在import后、任何TF操作前设置，否则无效；环境变量TF_NUM_INTRAOP_THREADS/TF_NUM_INTEROP_THREADS优先级更高。
TensorFlow 2.x 默认会打满 CPU 所有逻辑核心，不是代码写错了，而是它在 eager 模式下仍默认启用多线程并行计算 —— intra_op_parallelism_threads 和 inter_op_parallelism_threads 都设为物理核心数，两者相乘后线程数可能远超实际需要。
为什么 tf.config.threading.set_intra_op_parallelism_threads 设了没用？
这个函数只在 import tensorflow as tf 之后、任何 TensorFlow 操作（哪怕只是 tf.constant(1)）之前生效。一旦触发过任意张量创建或 @tf.function 定义，再调用就完全无效，且不报错。
- 必须放在
import后第一行有效代码位置 - 设为 0 或负数会直接抛
ValueError: Number of threads must be positive - 设为 1 是最稳妥的选择；设为 2～4 更适合容器或混部环境
环境变量比代码设置优先级更高
如果启动 Python 前设置了 TF_NUM_INTRAOP_THREADS 或 TF_NUM_INTEROP_THREADS，它们会直接覆盖代码里的 tf.config.threading.set_* 调用。Docker、Slurm 或 shell 配置文件（如 ~/.bashrc）中残留的 export 很容易导致“明明写了 set 却没效果”。
- 检查方式：
print(os.environ.get("TF_NUM_INTRAOP_THREADS"))，别只信代码里写了set - 推荐统一用环境变量配置，例如启动前执行：
export TF_NUM_INTRAOP_THREADS=2; export TF_NUM_INTEROP_THREADS=2 - 若必须用代码设置，先确认没有父进程或 shell 配置提前污染了这两个变量
怎么判断是不是线程数真导致 CPU 满载？
服务器 CPU 占用率飙到 100% 不一定代表有问题：家用 CPU（如 i7）常因 AVX2 指令集限制，向量化能力弱，算得慢、用不满核心；而 Xeon 等服务器 CPU 支持 AVX-512，单个 tf.matmul 就能压满几十个逻辑核 —— 这是性能提升的表现，不是异常。
立即学习“Python免费学习笔记（深入）”；
- 真正要警惕的是：
htop显示上百个线程、CPU 持续 90%+ 且训练速度没变快 - 此时大概率是
inter_op_parallelism_threads过高，导致调度开销反超收益 - 在 64 核机器上设
inter_op_parallelism_threads=64通常不如设为 4 稳定，尤其当模型含大量小 op 时
复杂点在于：线程控制和数据管道优化要分开看。CPU 占用高 ≠ 数据供给快 —— 如果 tf.data 的 num_parallel_calls 没配好，或者用了阻塞式 PIL/cv2 操作，即使把 TF 线程压到 1，CPU 依然可能被卡死在单核上。先用 htop -u $(whoami) 看清是多线程泛滥，还是单核锁死，再决定调哪一层。
