TensorFlow在Windows上原生GPU支持止于2.10.0，2.11起官方仅提供CPU版；若需GPU加速，可选DirectML插件（适配新版驱动）或回退至2.10.0并严格匹配CUDA 11.2与cuDNN 8.1。
要在Windows电脑上让TensorFlow真正调用NVIDIA显卡进行训练加速，必须绕过pip install tensorflow-gpu这类已失效的旧方法——自TensorFlow 2.11起，官方已停止发布Windows原生GPU支持包，直接安装会返回空GPU列表或DLL加载失败。
确认硬件与驱动基础
打开命令提示符，运行 nvidia-smi。若显示显卡型号、驱动版本和CUDA版本（如“CUDA Version: 12.1”），说明驱动已就绪；若报“NVIDIA-SMI has failed”，则【必须先安装Studio驱动】，不能用Game Ready驱动，否则后续CUDA组件无法识别显卡。
记下输出中的“Driver Version”（例如536.99）和显卡型号（如RTX 4070）。前往NVIDIA官网核对：该驱动是否支持CUDA 11.2（TF2.10必需）或CUDA 12.1（DirectML方案必需）。GTX 10系及以上、RTX全系列均满足计算能力3.5+要求。
选择并执行适配方案
根据你当前系统状态选一条路径，不要混用：
方案一：用DirectML插件启用GPU（推荐新手）
此法无需手动装CUDA/cuDNN，不修改系统PATH，兼容CUDA 12.1驱动，适合驱动已是新版（≥535.xx）、不想折腾环境的用户。
第一步：用Conda创建干净环境 → conda create -n tf_dml python=3.10
第二步：激活环境 → conda activate tf_dml
第三步：安装CPU版TensorFlow与DirectML插件 → pip install tensorflow-cpu tensorflow-directml-plugin。注意：插件会自动匹配tensorflow-cpu主版本，无需指定版本号。
这一步操作起来很简单，直接在激活环境中执行命令即可。如果提示PermissionError，请以管理员身份运行Anaconda Prompt。
方案二：配置原生CUDA 11.2 + cuDNN 8.1（需精准匹配）
仅适用于必须使用原生CUDA API（如自定义算子、旧项目迁移）的场景。此路径对版本锁死极严，错一个数字就会失败。
方法一：用Conda一站式安装（最稳）
→ 运行 conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
→ 再运行 pip install "tensorflow<br>
→ 最后强制锁定numpy → <code>pip install numpy==1.26.4（【numpy必须≤1.26.4，否则tf会崩溃】）
方法二：手动部署（仅当Conda源不可用时）
→ 从NVIDIA存档库下载CUDA Toolkit 11.2.2（exe local版）
→ 安装时取消勾选GeForce Experience，只选“CUDA Toolkit”组件
→ 下载cuDNN v8.1.0 for CUDA 11.2，解压后将bin、include、lib文件夹内容分别复制到CUDA安装目录（如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2）对应子目录
→ 手动设置系统环境变量：新增CUDA_PATH = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2，并在Path中追加 %CUDA_PATH%\bin
验证GPU是否真实启用
在激活的环境中启动Python，运行：
import tensorflow as tfprint(tf.config.list_physical_devices("GPU"))
若输出类似 [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]，且设备名称含GPU字样，说明配置成功。此时运行模型，nvidia-smi顶部会实时显示Python进程占用显存和GPU利用率。
若输出空列表[]，请立即检查：是否遗漏了conda activate步骤、numpy版本是否超标、或驱动未重启生效。
