针对你遇到的两个问题，我整理了几个实用的验证方法，帮你搞清楚TensorFlow到底有没有在调用GPU：

一、快速确认GPU是否被TensorFlow识别 #

最简单的方式是用TensorFlow自带的检测代码，直接运行这段Python脚本：

import tensorflow as tf

# 打印当前可用的GPU设备名称
print("当前可用GPU设备:", tf.test.gpu_device_name())

# 检查GPU是否可被TensorFlow使用
if tf.test.is_gpu_available():
    print("✅ TensorFlow正在使用GPU进行计算")
else:
    print("❌ TensorFlow未启用GPU，当前使用CPU计算")

如果输出里显示类似/device:GPU:0的设备名，并且提示正在使用GPU，就说明TF已经识别到GPU了。

二、针对"GPU占用率低但速度比CPU快"的深层验证 #

你提到任务管理器显示GPU占用只有1%但速度比CPU快，这种情况其实很常见，任务管理器的总GPU占用率参考性不强，我们可以用更精准的方式验证：

1. 查看TensorFlow运行日志 #

在你的训练代码开头加上这两行，开启TF的GPU日志输出：

import os
# 只显示重要日志信息，减少冗余输出
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 指定使用第0块GPU（如果有多块GPU可以改成对应编号）
os.environ['CUDA_VISIBLE_DEVICES'] = '0'

运行代码时，控制台会输出类似这样的日志：

Created TensorFlow device (/device:GPU:0 with 4608 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1660 Ti, pci bus id: 0000:01:00.0, compute capability: 7.5)

出现这条日志就说明TF已经成功将计算任务分配到GPU上了。

2. 使用NVIDIA官方工具nvidia-smi检测 #

打开Windows命令提示符（CMD），直接输入：

nvidia-smi

这个命令会显示GPU的详细状态：

• 看GPU-Util列的数值，这是GPU的实际计算利用率
• 看Memory-Usage列，确认显存是否被TensorFlow占用
• 下方的Processes区域会显示正在使用GPU的进程，如果你看到python.exe在列表里，就说明你的TF程序确实在调用GPU

3. 查看任务管理器的"CUDA占用率" #

任务管理器的总GPU占用率包含了GPU的所有负载（比如视频解码、桌面渲染等），你需要切换到性能标签页，选择GPU，然后查看CUDA这一栏的数值——这才是GPU用于计算任务的实际占用率，这个数值更能反映TF的GPU使用情况。

额外提醒：确认CUDA和cuDNN版本匹配 #

TensorFlow 1.15对CUDA和cuDNN的版本有严格要求：需要CUDA 10.0 + cuDNN 7.6.5，如果你的版本不匹配，即使装了GPU版TF，也可能出现"识别到GPU但无法高效利用"的情况，这也会导致速度达不到预期。

内容的提问来源于stack exchange，提问作者Metatron