使用Python-TensorFlow获取AWS GPU实例详情及GPU无法识别解决方案

数据老陈

2026-8-30

问题描述

已创建实例类型为g4dn.xlarge的AWS GPU实例，完成Python与Jupyter-notebook环境安装。
在Jupyter notebook中运行GPU检测代码时，TensorFlow仅识别到CPU设备，所有GPU检测方法均返回无GPU结果。

初始检测代码：

import tensorflow as tf
tf.config.list_physical_devices()

运行输出：

[PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')]

后续尝试的3种检测方法均未识别到GPU：

方法1代码

import tensorflow as tf

gpus = tf.config.list_physical_devices('GPU')
for gpu in gpus:
    print("Name:", gpu.name, "  Type:", gpu.device_type)

方法2代码

from tensorflow.python.client import device_lib

device_lib.list_local_devices()

方法3代码

from tensorflow.python.client import device_lib

def get_available_gpus():
    local_device_protos = device_lib.list_local_devices()
    return [x.name for x in local_device_protos if x.device_type == 'GPU']

get_available_gpus()

可行修复方案

按以下顺序逐一排查，全部配置完成后即可正常访问实例GPU：

验证NVIDIA驱动状态
登录实例终端执行nvidia-smi命令：
- 如果返回command not found，说明未安装NVIDIA驱动，安装适配g4dn实例搭载的T4显卡的官方驱动即可
- 如果命令执行报错，说明驱动安装存在异常，卸载现有驱动后重新安装对应版本，安装完成后重启实例，再次执行nvidia-smi，确认输出结果中能看到T4显卡信息、对应CUDA版本号即为正常
对齐TensorFlow、CUDA、cuDNN版本
普通pip源默认安装的TensorFlow为CPU版本，且GPU版本的TensorFlow对CUDA、cuDNN版本有严格匹配要求，版本不兼容时无法识别GPU：
- 若使用TensorFlow 2.11及以上版本，直接执行pip install tensorflow[and-cuda]，命令会自动安装匹配版本的CUDA、cuDNN依赖，无需手动单独部署
- 若使用低版本TensorFlow，提前核对版本对应关系，安装和现有CUDA版本匹配的TensorFlow、cuDNN包
核对Jupyter内核对应环境
多Python环境场景下常出现环境错配问题：系统终端中安装了GPU版TensorFlow，但Jupyter使用的是其他虚拟环境的内核，内核内安装的是CPU版TensorFlow。
在Jupyter单元格执行以下代码查看当前内核使用的Python路径：
```
import sys
print(sys.executable)
```
如果输出路径和终端中安装GPU版TensorFlow的Python路径不一致，给目标Python环境安装ipykernel并注册到Jupyter，切换到对应内核后再做检测。
排查实例配置问题
- 停掉实例后重新启动，确认实例启动过程中没有出现硬件挂载异常，g4dn.xlarge默认挂载1块T4显卡，无手动修改硬件配置的情况下会自动挂载
- 若使用自定义镜像部署环境，优先替换为AWS官方提供的深度学习镜像，这类镜像预装了适配实例硬件的驱动、CUDA、深度学习框架，启动后无需额外配置即可识别GPU。

配置完成后重启Jupyter内核，执行tf.config.list_physical_devices('GPU')，返回GPU设备信息即为配置成功。

内容的提问来源于stack exchange，提问作者Subbu VidyaSekar