Jupyter Notebook无法检测GPU，升级TensorFlow遇元数据生成失败错误求助

一、解决TensorFlow安装时的metadata-generation-failed错误 #

从报错日志可知，问题根源是旧版本setuptools无法正确解析依赖声明中的版本标记语法（python_version>"3.7"），按以下步骤修复：

• 先升级pip、setuptools和wheel到最新版本

  !pip install --upgrade pip setuptools wheel
  

• 重新安装TensorFlow（注意：TensorFlow 2.x及以上版本无需单独安装tensorflow-gpu，核心包已包含GPU支持）

  !pip install --upgrade tensorflow
  

二、解决GPU无法被TensorFlow识别的问题 #

tf.test.is_gpu_available()返回False，通常是CUDA、cuDNN环境不匹配或配置缺失导致，按以下步骤排查：

1. 匹配TensorFlow与CUDA/cuDNN版本 #

• 先查看当前TensorFlow版本：

  import tensorflow as tf
  print(tf.__version__)
  

• 根据TensorFlow官方版本对应关系，安装匹配的CUDA Toolkit和cuDNN（例如TensorFlow 2.15对应CUDA 12.2、cuDNN 8.9）

2. 配置系统环境变量 #

• 将CUDA的bin和libnvvp路径添加到系统PATH：
  示例路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2\bin、C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2\libnvvp
• 将cuDNN的bin路径添加到PATH：
  示例路径：C:\tools\cuda\bin（假设cuDNN解压到该目录）

3. 验证GPU识别状态 #

使用TensorFlow新版GPU检测命令（tf.test.is_gpu_available()已被弃用）：

print(tf.config.list_physical_devices('GPU'))

若输出包含GPU设备信息，说明配置成功。

4. 额外排查项 #

• 确保NVIDIA显卡驱动为最新版本，且支持对应版本的CUDA
• 若使用Anaconda环境，建议通过conda安装相关依赖，避免版本冲突：

  conda install tensorflow-gpu
  

内容的提问来源于stack exchange，提问作者Sameer Ranjan