TensorFlow训练模型疑问：GTX1660Super下GPU/CPU使用状态确认

1. 先确认训练是否真的在使用GPU #

运行以下代码，直接验证TensorFlow对GPU的实际可用性：

import tensorflow as tf
# 打印当前物理设备列表
print(tf.config.list_physical_devices())
# 强制在GPU上执行运算，测试兼容性
try:
    with tf.device('/GPU:0'):
        a = tf.constant([1.0, 2.0, 3.0])
        b = tf.constant([4.0, 5.0, 6.0])
        c = a + b
    print("GPU运算执行成功，结果：", c.numpy())
except RuntimeError as e:
    print("GPU不可用，报错信息：", e)

如果代码能正常输出运算结果，说明GPU实际可工作；若报错，则证明GPU未被正确注册。

2. 分析“跳过注册GPU设备”的常见原因 #

• CUDA/cuDNN与TensorFlow版本不兼容：TensorFlow对CUDA和cuDNN的版本有严格对应要求，并非最新版本就适配。比如TensorFlow 2.15对应CUDA 12.2、cuDNN 8.9；2.14对应CUDA 11.8、cuDNN 8.6，需核对你安装的TensorFlow版本匹配对应依赖版本。
• 环境变量配置不完整：
  • Windows：确认CUDA_PATH指向CUDA安装目录，PATH中包含CUDA_PATH\bin和cuDNN的bin目录
  • Linux：确认LD_LIBRARY_PATH包含CUDA和cuDNN的lib64路径
• 误装TensorFlow CPU版本：运行pip list | grep tensorflow（Linux/macOS）或pip list | findstr tensorflow（Windows），若列表中只有tensorflow-cpu，则说明安装了CPU版，需替换为GPU兼容版。
• 显存不足（少见）：GTX 1660 Super有6G显存，小模型一般不会触发，但如果模型过大，TensorFlow可能 fallback 到CPU，这类情况通常会有明确的显存不足提示。

3. 针对性修复方案 #

• 版本匹配修复：卸载当前不兼容的CUDA/cuDNN，安装与TensorFlow版本严格对应的依赖包。
• 环境变量修复：补全或修正系统环境变量后，重启Python环境或电脑生效。
• 重装TensorFlow：先卸载现有版本：pip uninstall tensorflow，再安装对应版本的GPU兼容包：pip install tensorflow==2.xx（将xx替换为匹配的版本号）。

4. 验证修复效果 #

重新运行训练脚本，同时通过任务管理器（Windows）或nvidia-smi命令（Linux/macOS）查看GPU使用率和显存占用。若训练过程中GPU使用率明显上升，说明已成功切换为GPU训练。

内容的提问来源于stack exchange，提问作者Haxor Flux