如何让TensorFlow调用GTX2080TI GPU？已装CUDA仍无法识别

核心问题分析 #

你安装的TensorFlow显示is_cuda_build=False，说明当前版本是仅CPU构建版本，未包含CUDA支持，这是GPU无法被识别的关键原因。结合你的环境（Python3.10、TensorFlow2.11.0、CUDA11.2、cudNN8.1），以下是针对性修复步骤：

步骤1：卸载当前CPU版TensorFlow #

打开命令行执行：

pip uninstall tensorflow keras -y

步骤2：重新安装带CUDA支持的TensorFlow版本 #

优先使用官方推荐命令安装，会自动匹配CUDA依赖：

pip install tensorflow[and-cuda]==2.11.0

若遇到源的问题，切换至官方PyPI源安装：

pip install tensorflow==2.11.0 -i https://pypi.org/simple/

安装完成后，验证构建信息：

import tensorflow as tf
from tensorflow.python.platform import build_info as tf_build_info
print(tf_build_info.build_info['is_cuda_build'])

输出应为True，说明已安装带CUDA支持的版本。

步骤3：确认CUDA与cudNN配置正确 #

1. 环境变量配置：

   • 将CUDA的bin目录（例：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin）添加至系统PATH环境变量最前端，避免其他版本干扰。
   • 确保cudNN解压后的bin、include、lib文件夹内的文件已复制到CUDA对应目录下（覆盖同名文件即可）。

2. 验证CUDA本身可用性：
   运行CUDA自带的deviceQuery工具（路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\demo_suite\deviceQuery.exe），若输出包含GTX2080TI的信息，说明CUDA环境正常。

步骤4：检查显卡驱动版本 #

GTX2080TI运行CUDA11.2需要最低驱动版本450.80.02（Windows），打开NVIDIA控制面板查看当前驱动版本，若低于该版本，前往NVIDIA官网下载更新。

步骤5：虚拟环境校验 #

若使用虚拟环境，确保：

• 虚拟环境启动时能正确读取系统环境变量（尤其是CUDA路径）。
• 所有依赖（TensorFlow、CUDA相关）均安装在虚拟环境内，未混用全局包。

完成上述步骤后，重新运行：

tf.config.list_physical_devices('GPU')

应能正常识别GTX2080TI设备。

内容的提问来源于stack exchange，提问作者ymmx