TensorFlow运行CNN架构时崩溃求助（GTX1650，VS Code环境）

1. 严格匹配CUDA、cuDNN与TensorFlow版本 #

GTX1650仅支持CUDA 11.x系列，版本不匹配是这类崩溃的核心原因：

• 先卸载现有TensorFlow相关包：pip uninstall -y tensorflow tensorflow-gpu
• 选择稳定兼容组合安装：比如TensorFlow 2.9.x + CUDA 11.2 + cuDNN 8.1.0，或TensorFlow 2.10.x + CUDA 11.4 + cuDNN 8.2.0
• 检查环境变量：确认CUDA_PATH指向CUDA安装根目录，PATH系统变量包含%CUDA_PATH%\bin和cuDNN解压后的bin目录

2. 修复pip与traitlets兼容性警告 #

• 更新pip到最新版解决版本检查错误：python -m pip install --upgrade pip
• 安装Jupyter兼容的traitlets版本：pip install traitlets==5.9.0，消除版本冲突警告

3. 限制GPU显存使用 #

GTX1650显存仅4GB，CNN模型易因显存溢出触发崩溃，在代码开头添加内存限制：

import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
    try:
        tf.config.experimental.set_virtual_device_configuration(
            gpus[0],
            [tf.config.experimental.VirtualDeviceConfiguration(memory_limit=3072)]) # 限制为3GB
        logical_gpus = tf.config.experimental.list_logical_devices('GPU')
        print(len(gpus), "Physical GPUs,", len(logical_gpus), "Logical GPUs")
    except RuntimeError as e:
        print(e)

4. 清理VS Code Jupyter缓存 #

• 关闭VS Code，删除路径%USERPROFILE%\.vscode\extensions\ms-toolsai.jupyter-2023.2.1000592019\下的缓存文件夹
• 重启VS Code后，重新创建Jupyter内核并绑定你的Python 3.10.2环境

5. 验证基础GPU可用性 #

运行以下代码确认TensorFlow能正常调用GPU，若仍崩溃则需重新排查CUDA/cuDNN安装：

import tensorflow as tf
print(tf.__version__)
print(tf.test.is_gpu_available())
print(tf.config.list_physical_devices('GPU'))

内容的提问来源于stack exchange，提问作者Ishan Mishra