双GPU环境下Keras无法识别GPU，求解决方法

• 检查GPU驱动与版本兼容性
  TensorFlow 2.11要求搭配CUDA 11.2、cuDNN 8.1，先确认NVIDIA驱动版本满足CUDA 11.2的最低要求（Windows/Linux均需≥450.80.02）。运行nvidia-smi查看GPU状态和驱动版本，确保硬件本身正常工作。

• 验证CUDA与cuDNN的配置

  1. 确认系统环境变量配置正确：CUDA_PATH指向CUDA 11.2的安装目录，PATH需包含CUDA_PATH\bin；cuDNN的lib目录需加入系统库路径（Linux为LD_LIBRARY_PATH，Windows为PATH）。
  2. 运行nvcc --version验证CUDA编译器版本是否为11.2，确保安装的CUDA版本与TensorFlow要求匹配。

• 确认TensorFlow安装版本
  检查是否安装了GPU版TensorFlow：运行pip list，若显示tensorflow-cpu则为CPU版本，需先卸载pip uninstall tensorflow-cpu，再重新安装对应版本的GPU版：pip install tensorflow==2.11。

• 排查系统与硬件占用问题

  1. 通过nvidia-smi查看GPU进程列表，确认没有其他进程（如挖矿软件、其他框架）占用GPU资源。
  2. Linux系统运行lsmod | grep nvidia检查NVIDIA内核模块是否加载；Windows系统打开设备管理器，确认GPU设备无黄色感叹号（无驱动异常）。

• 测试GPU基础调用
  运行以下代码强制TensorFlow输出设备分配日志，根据报错定位问题：

  import tensorflow as tf
  tf.debugging.set_log_device_placement(True)
  a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
  b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
  c = tf.matmul(a, b)
  print(c)
  

• 多GPU环境额外检查

  1. 进入BIOS确认两块GPU均已启用，未被硬件层面禁用。
  2. 再次运行nvidia-smi，确认系统能识别到2块GPU的硬件信息。

内容的提问来源于stack exchange，提问作者AlonBA