已安装Anaconda、CUDA、CuDNN和TensorFlow，为何无法识别GPU？

1. 解决Anaconda环境与全局CUDA的冲突 #

• 移除系统环境变量中手动添加的官网CUDA路径：包括CUDA_PATH、CUDA_PATH_Vxx.x，以及PATH中指向官网CUDA的bin、libnvvp等条目。Anaconda的cudatoolkit是环境内独立的，全局CUDA会干扰TensorFlow的路径识别。
• 激活你的TensorFlow Anaconda环境，确保环境内的cudatoolkit路径优先级最高（Anaconda会自动处理，无需手动添加）。

2. 验证版本与依赖匹配 #

• 确认Python版本：TensorFlow 2.10.0仅支持Python 3.7~3.9，若你的环境用了3.10及以上版本，创建新环境时指定Python 3.9：

  conda create -n tf_clean python=3.9
  conda activate tf_clean
  conda install tensorflow=2.10 cudatoolkit=11.3 cudnn=8.2
  

• 运行以下代码检查TensorFlow的CUDA支持状态：

  import tensorflow as tf
  print("TF built with CUDA:", tf.test.is_built_with_cuda())
  print("GPU device name:", tf.test.gpu_device_name())
  

  • 若is_built_with_cuda()返回False，说明环境安装有问题，需重新创建干净环境。
  • 若gpu_device_name()为空，继续检查驱动和硬件。

3. 驱动与硬件检查 #

• 在命令行执行nvidia-smi，确认驱动版本≥450.80.02（CUDA 11.3要求的最低驱动），且GPU正常显示（无错误信息）。
• 打开Windows设备管理器，检查“显示适配器”下的RTX 3070是否有黄色感叹号，若有则重新安装NVIDIA驱动。

• 确认运行时类型：点击Colab界面顶部的「代码执行程序」→「更改运行时类型」，选择「GPU」并保存，重新运行代码。
• 检查资源限制：Colab免费版会对频繁使用GPU的账号临时限制资源，可等待1~2小时后重试，或切换浏览器/谷歌账号尝试。
• 运行!nvidia-smi命令，若输出为空或提示无GPU，说明当前时段Colab GPU资源紧张，换个时间段尝试。若长期无法使用，可考虑升级Colab Pro。

内容的提问来源于stack exchange，提问作者Huanchen Cai