Ubuntu（WSL）下Jupyter Notebook中TensorFlow GPU不可用求助

环境与问题概述 #

• 已完成配置：WSL2 Ubuntu（通过wsl --install部署）、TensorFlow 2.12、Anaconda、NVIDIA驱动、CUDA、cuDNN（遵循TensorFlow官方Linux安装指南）；Python、Jupyter Notebook通过pip安装为最新版本
• 异常表现：
  • 初始运行以下代码可检测到1块GPU：

    import tensorflow as tf
    print(len(tf.config.list_physical_devices('GPU')))
    

  • 运行若干简单模型后，上述代码返回0
  • 已尝试无效操作：重启Jupyter内核、重装Python/TensorFlow/Anaconda、更新CUDA/cuDNN/NVIDIA驱动、安装tensorflow-gpu
  • 特殊情况：重装Ubuntu后GPU检测恢复，但重启Windows电脑后问题复现

排查步骤 #

1. 检查WSL2 GPU硬件状态

   • 在WSL终端执行nvidia-smi，确认GPU是否被识别、显存占用是否异常。若模型运行后该命令也无法显示GPU，说明WSL与GPU的连接已中断
   • 执行dmesg | grep nvidia查看NVIDIA驱动内核日志，排查驱动崩溃、资源泄漏类报错

2. 验证TensorFlow资源释放逻辑

   • 模型运行前后分别执行tf.config.experimental.get_memory_info('GPU:0')（初始能检测到GPU时），对比显存占用变化，确认是否存在显存未释放情况
   • 手动释放资源后重试GPU检测：

     import gc
     del model  # 替换为你的模型变量名
     gc.collect()
     tf.keras.backend.clear_session()
     

3. 校验WSL2与Windows的GPU共享配置

   • 确认Windows端NVIDIA驱动版本与WSL端CUDA版本兼容（TensorFlow 2.12适配CUDA 11.8、cuDNN 8.6）
   • 执行wsl --status确认默认WSL版本为2，同时检查NVIDIA控制面板中WSL的GPU加速已开启
   • 关闭Windows端占用GPU的程序（如游戏、其他深度学习框架），避免资源抢占

4. 排查WSL2系统服务与内核问题

   • 在WSL终端执行sudo systemctl restart nvidia-persistenced，重启NVIDIA持久化服务尝试恢复GPU连接
   • 执行wsl --update更新WSL2内核，修复已知GPU兼容性bug

解决方案建议 #

• 限制WSL2 GPU显存占用：在Windows用户目录创建.wslconfig文件，添加以下内容（根据GPU显存调整数值），避免资源耗尽导致连接中断：

  [wsl2]
  nvidiaVRAMAllocation=8GB
  

  保存后执行wsl --shutdown重启WSL

• 使用纯pip虚拟环境：避免Anaconda与pip混合环境的依赖冲突，创建独立虚拟环境：

  python -m venv tf_env
  source tf_env/bin/activate
  pip install tensorflow==2.12 jupyter
  

  在该环境中运行Jupyter测试GPU

• 启用TensorFlow显存增长模式：在代码开头添加配置，让TensorFlow按需分配显存，防止一次性占用过多资源：

  import tensorflow as tf
  gpus = tf.config.list_physical_devices('GPU')
  if gpus:
      try:
          for gpu in gpus:
              tf.config.experimental.set_memory_growth(gpu, True)
      except RuntimeError as e:
          print(e)
  

内容的提问来源于stack exchange，提问作者ATunison