WSL环境TensorFlow GPU可用时无法调用numpy等模块问题咨询

1. 锁定环境一致性 #

• 打开WSL终端，激活TensorFlow GPU对应的虚拟环境：
  • Conda环境：conda activate tf-gpu
  • Venv环境：source ./tf-gpu-env/bin/activate
• 查看当前环境Python路径：which python，记录该路径
• 从激活的环境内启动Jupyter：jupyter notebook，避免系统默认Python内核干扰

2. 创建专属Jupyter内核 #

• 激活目标环境后，安装内核依赖：pip install ipykernel
• 注册专属内核：

  python -m ipykernel install --user --name tf-gpu-kernel --display-name "TensorFlow GPU (WSL2)"
  

• 重启Jupyter，在内核选择菜单中切换到该专属内核，彻底隔离环境冲突

3. 修复GPU识别不稳定问题 #

• 在WSL终端执行nvidia-smi，确认输出正常（显示GPU信息）；若报错，重新安装Windows端的NVIDIA WSL驱动（无需在WSL内安装驱动）
• 配置环境变量强制GPU调用：在终端配置文件（~/.bashrc或~/.zshrc）中添加：

  export LD_LIBRARY_PATH=/usr/lib/wsl/lib:$LD_LIBRARY_PATH
  export CUDA_VISIBLE_DEVICES=0
  

  执行source ~/.bashrc生效，每次启动环境自动加载

4. 重新安装依赖到目标环境 #

• 激活TensorFlow GPU环境后，重装所有需要的依赖：

  pip install numpy scikit-learn matplotlib jupyter
  

• 切换到专属内核后，执行import numpy, sklearn, matplotlib验证依赖，同时用tf.config.list_physical_devices('GPU')确认GPU识别状态

5. 排查环境冲突 #

• 检查多Python版本干扰：whereis python，确保Jupyter使用的是目标环境的Python路径
• 清理pip缓存：pip cache purge，重新安装依赖避免缓存损坏

内容的提问来源于stack exchange，提问作者U. U