TensorFlow是否需GPU与CUDNN？无GPU装CUDNN能否提升模型性能？

不是必须的。

• TensorFlow提供纯CPU版本，无需GPU和CUDNN即可正常运行，满足基础的深度学习训练与推理需求。
• GPU和CUDNN属于可选加速组件，仅当你需要利用Nvidia GPU提升运算速度时，才需要搭配安装这两者（CUDNN依赖Nvidia GPU的CUDA环境）。

不能提升性能，原因如下：

1. CUDNN的适用范围限制：CUDNN是专为Nvidia GPU设计的深度学习加速库，仅能在Nvidia GPU硬件上被TensorFlow调用，无Nvidia GPU时，CUDNN完全无法发挥作用。
2. 当前环境的优化逻辑：启用MKLDNN的Intel CPU环境下，TensorFlow会自动利用MKLDNN对CPU的运算进行优化（尤其是卷积、矩阵运算等密集型操作），安装CUDNN不会对CPU运算带来任何额外加速。
3. 额外开销：安装CUDNN只会占用磁盘空间，不会带来性能收益，属于不必要的操作。

中文注释版模型代码 #

def create_classical_model():
    # 基于LeNet实现的简单模型，参考Keras官方MNIST CNN示例
    model = tf.keras.Sequential()
    model.add(tf.keras.layers.Conv2D(32, [3, 3], activation='relu', input_shape=(28,28,1)))
    model.add(tf.keras.layers.Conv2D(64, [3, 3], activation='relu'))
    model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2)))
    model.add(tf.keras.layers.Dropout(0.25))
    model.add(tf.keras.layers.Flatten())
    model.add(tf.keras.layers.Dense(128, activation='relu'))
    model.add(tf.keras.layers.Dropout(0.5))
    model.add(tf.keras.layers.Dense(1))
    return model

model = create_classical_model()
model.compile(loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
              optimizer=tf.keras.optimizers.Adam(),
              metrics=['accuracy'])

model.summary()

内容的提问来源于stack exchange，提问作者stackbiz