TensorFlow 2.14无法识别NVIDIA GPU，求新版TF GPU运行方案

不需要退回Python 3.7，TensorFlow 2.x从2.0版本开始就统一了CPU和GPU版本，安装tensorflow包即可自动支持GPU（前提是依赖组件配置正确）。以下是具体解决步骤：

一、确认依赖版本匹配 #

TensorFlow 2.14对NVIDIA组件的版本要求为：

• CUDA Toolkit 11.8
• cuDNN 8.6.0（适配CUDA 11.x）
• NVIDIA显卡驱动版本≥450.80.02（可通过命令行执行nvidia-smi查看当前驱动版本）

二、清理冲突环境 #

1. 卸载旧版TensorFlow及相关残留：

   pip uninstall -y tensorflow tensorflow-gpu
   

2. 若之前安装过不匹配的CUDA Toolkit，通过系统控制面板的程序卸载功能移除。

三、安装CUDA Toolkit 11.8 #

1. 下载对应系统版本的CUDA Toolkit 11.8安装包，安装时选择「自定义」模式：
   • 仅勾选CUDA Runtime、CUDA Development Tools，取消Visual Studio Integration等非必要组件
   • 记录安装路径（默认路径为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8）

四、安装cuDNN 8.6.0 #

1. 下载适配CUDA 11.x的cuDNN 8.6.0压缩包，解压后得到bin、include、lib三个文件夹
2. 将三个文件夹内的文件分别复制到CUDA Toolkit的对应目录：
   • bin内文件 → C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin
   • include内文件 → C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\include
   • lib内文件 → C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\lib\x64

五、配置系统环境变量 #

在系统环境变量中添加或修改：

• 添加CUDA_PATH变量，值为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8
• 在Path变量中追加：
  • %CUDA_PATH%\bin
  • %CUDA_PATH%\libnvvp

六、验证GPU支持 #

1. 重新安装TensorFlow 2.14：

   pip install tensorflow==2.14.0
   

2. 运行检测代码：

   import tensorflow as tf
   print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))
   # 可选：查看GPU设备详情
   print(tf.config.list_physical_devices('GPU'))
   

   若输出GPU数量≥1，说明配置成功。

常见排查点 #

• 若为笔记本双显卡设备，需在NVIDIA控制面板中设置TensorFlow程序优先使用独立显卡
• 确认当前激活的虚拟环境正确，避免全局包与虚拟环境包冲突
• 执行nvcc --version验证CUDA是否安装成功，输出版本应为11.8

内容的提问来源于stack exchange，提问作者Saniaaa