Win11下VS Code/Jupyter如何启用TensorFlow GPU加速（GTX1070Ti）

GTX 1070Ti为帕斯卡架构显卡，原生支持CUDA加速，按以下步骤配置即可直接调用GPU跑神经网络计算任务：

1. 安装NVIDIA基础驱动 #

• 直接安装对应GTX 1070Ti的最新正式版驱动（Game Ready/Studio版本均可），安装完成后重启电脑。
• 重启后打开命令提示符输入nvidia-smi，能正常返回显卡信息、支持的最高CUDA版本即代表驱动安装正常。

注意：不需要提前手动安装独立CUDA Toolkit，后续通过虚拟环境安装会自动匹配适配版本，避免手动装版本不匹配导致的冲突。

2. 搭建适配的TensorFlow GPU虚拟环境 #

• 推荐用Miniconda管理环境，避免全局Python包版本冲突。打开Anaconda Prompt执行以下命令新建环境：
  conda create -n tf-gpu python=3.10
• 激活新建的虚拟环境：
  conda activate tf-gpu
• 在激活的环境内直接安装适配Windows的GPU版TensorFlow，该命令会自动安装匹配的CUDA、cuDNN依赖：
  conda install -c conda-forge tensorflow-gpu=2.10

关键提示：TensorFlow 2.11及以上的Windows原生版本已取消本地GPU支持，GTX 1070Ti这类帕斯卡架构老卡不需要追高版本，2.10是最后一个稳定支持Windows本地GPU的正式版，满足绝大多数神经网络计算需求。

3. VS Code端配置（覆盖.py脚本/Jupyter Notebook双场景） #

• 先在VS Code扩展商店安装两个必装扩展：官方Python扩展、官方Jupyter扩展。
• 打开你的代码工作区，按Ctrl+Shift+P调出命令面板，输入Python: Select Interpreter，选中刚才创建的名为tf-gpu的conda环境对应解释器。
• 如果使用Jupyter Notebook场景，新建.ipynb文件后，点击页面右上角的内核选择按钮，同样选中tf-gpu环境作为内核即可，不要选错到全局Python或其他虚拟环境。

4. 验证GPU加速是否生效 #

在.py脚本或者Jupyter单元格中运行以下验证代码：

import tensorflow as tf
print("当前TensorFlow版本:", tf.__version__)
print("检测到的可用GPU设备:", tf.config.list_physical_devices('GPU'))
print("CUDA支持状态:", tf.test.is_built_with_cuda())

• 正常返回结果中能看到GTX 1070Ti的设备名称，CUDA支持状态返回True即为配置成功。后续跑训练任务时打开任务管理器的性能页，能看到GPU的CUDA核心占用率随计算任务上升，就代表GPU已经在参与计算。

常见问题排查 #

• 运行提示缺少CUDA相关dll：检查是否安装了2.11以上版本的TensorFlow，卸载后重装2.10版本即可，不要手动下载零散dll补到系统目录。
• Jupyter内识别不到GPU：检查内核是否选中了tf-gpu环境，选中后重启Jupyter内核再重试。
• 训练时GPU无占用：检查代码是否手动强制指定了CPU为计算设备，默认配置下TensorFlow检测到可用GPU会自动优先调度GPU计算。

内容的提问来源于stack exchange，提问作者Vincenzo Picarelli