TensorFlow无法检测CUDA与显卡，已配置CUDA/CUDNN及PATH求助

1. 严格匹配TensorFlow与CUDA版本 #

TensorFlow对CUDA版本有硬性兼容要求，v11系列CUDA对应的TF版本需对应：

• CUDA 11.2 → TensorFlow 2.6.x ~ 2.10.x
• CUDA 11.8 → TensorFlow 2.11+
  在Anaconda环境中执行以下命令调整TF版本：

pip uninstall tensorflow
pip install tensorflow==对应版本号

2. 确保CUDNN配置到位 #

• 将CUDNN解压后的bin、include、lib目录内的文件，分别复制到CUDA安装目录的对应子文件夹（例：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.x\bin）
• 确认CUDNN 8.7与你的CUDA 11具体小版本兼容（如CUDA 11.2/11.4等均支持CUDNN 8.7）

3. 优化系统PATH配置 #

• 将CUDA的bin、libnvvp目录，以及CUDNN的bin目录（或复制后的CUDA bin目录）移至系统PATH的最顶部，避免其他版本的库干扰检测
• 完全关闭Anaconda、Jupyter及所有终端窗口，重启后再测试

4. 验证Jupyter使用的Anaconda环境 #

在Jupyter中执行以下代码，确认当前kernel指向安装了TensorFlow的环境：

import sys
print(sys.executable)

若输出路径不对，需在Anaconda中激活目标环境后，安装ipykernel并切换Jupyter kernel：

conda activate 你的环境名
pip install ipykernel
python -m ipykernel install --user --name=你的环境名

5. 检查GPU驱动版本 #

• 确保NVIDIA显卡驱动版本不低于CUDA官方要求（CUDA 11.x需驱动版本≥450.80.02）
• 可通过nvidia-smi命令查看当前驱动版本，若过低则前往NVIDIA官网更新

6. 脱离Jupyter直接测试 #

在Anaconda Prompt中直接运行Python，执行以下代码：

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

若此处能检测到GPU，说明问题出在Jupyter的kernel配置；若仍不行，需重新检查CUDA/CUDNN的文件复制与PATH配置

内容的提问来源于stack exchange，提问作者crn4t