PyCharm远程Jupyter Notebook无法调用服务器GPU问题求助

核心原因 #

你创建的Jupyter内核虽然命名为tfnuwan，但实际调用的Python解释器可能并未关联到conda环境tfnuwan，导致加载的TensorFlow不是带GPU支持的版本。

具体修复步骤 #

1. 检查内核的Python路径是否正确 #

在远程服务器终端执行以下命令，找到tfnuwan内核的配置路径：

jupyter kernelspec list

找到tfnuwan对应的路径（通常是~/.local/share/jupyter/kernels/tfnuwan），打开该路径下的kernel.json文件，查看argv数组的第一条路径，确认是否是conda环境tfnuwan内的Python解释器（比如/home/你的用户名/miniconda3/envs/tfnuwan/bin/python）。

如果路径不对，直接修改kernel.json的argv第一条为正确路径，保存后重启远程Jupyter服务。

2. 重新创建内核（确保绑定正确环境） #

先激活conda环境：

conda activate tfnuwan

然后重新安装内核，指定环境前缀避免冲突：

python -m ipykernel install --prefix=/home/你的用户名/miniconda3/envs/tfnuwan --name=tfnuwan --display-name="tfnuwan"

完成后在PyCharm中重新连接远程Jupyter，选择新创建的内核。

3. 验证环境一致性 #

在Jupyter Notebook中运行以下代码，对比终端的输出结果：

import sys
import tensorflow as tf
print(sys.executable)
print(tf.__version__)

终端里执行which python和python -c "import tensorflow as tf; print(tf.__version__)"，确保两边的Python路径和TensorFlow版本完全一致。如果不一致，说明内核仍未关联正确环境。

4. 检查PyCharm远程解释器配置 #

打开PyCharm的File > Settings > Project: 你的项目名 > Python Interpreter，确认远程解释器选择的是conda环境tfnuwan的Python。同时在Jupyter运行配置中，确保内核与该解释器对应。

额外提示 #

如果以上步骤无效，重启PyCharm和远程服务器的Jupyter服务，确保配置生效。另外可以在终端的conda环境里再执行一次tf.test.is_gpu_available()，确认GPU支持正常。

内容的提问来源于stack exchange，提问作者Nuwan Abeynayake