配置TensorFlow CUDA环境后笔记本Python CPU运行速度变慢求助

你的问题核心是安装CUDA、TensorFlow后，运算库和系统资源配置出现了异常，具体可分为三类常见原因：

• Numpy底层运算库被替换：默认conda环境下的Numpy通常搭载Intel MKL优化库，矩阵运算性能极高。安装TensorFlow或CUDA的过程中，可能会自动替换Numpy的后端为无优化的通用BLAS、或者性能更低的OpenBLAS版本，导致同一段运算的执行效率大幅下降。
• 运算库线程配置错误：BLAS库默认会根据CPU线程数自动设置并行线程数，i7-10750H为6核12线程，如果线程数配置超过物理核心数，会产生大量线程上下文切换开销，表现就是CPU占用率拉满，但实际有效运算效率极低，反而不如线程数刚好匹配物理核心的i5-7400。
• 笔记本功耗分配异常：安装Nvidia驱动后，系统功耗策略可能被修改，CPU运算时的功耗配额被GPU占用，导致CPU无法跑满睿频，即使占用率高，实际运行频率远低于标称值，运算速度自然下降。

按照以下步骤逐一排查即可解决：

1. 首先确认Numpy的底层库版本
   运行命令np.__config__.show()查看输出，如果未出现Intel MKL相关的信息，说明当前Numpy没有搭载高性能MKL库，执行以下命令重装即可：

conda uninstall numpy
conda install numpy mkl

2. 调整并行线程数
   在所有Python代码的最开头加入以下配置，限制线程数等于CPU物理核心数，避免多余的调度开销：

import os
os.environ["MKL_NUM_THREADS"] = "6"
os.environ["OPENBLAS_NUM_THREADS"] = "6"
os.environ["OMP_NUM_THREADS"] = "6"

也可以直接将这三个变量添加到系统环境变量中，全局生效。
3. 排查CPU频率和电源策略
运行测试代码的同时打开任务管理器，查看CPU的实际运行频率，如果频率长期低于2.5GHz，将Windows电源计划改为「高性能」，Nvidia控制面板的电源管理模式改为「最高性能优先」，解除CPU的功耗限制。
4. 解决环境变量冲突
检查系统PATH环境变量，确认Intel MKL的库路径排在CUDA路径之前，避免Numpy优先调用CUDA附带的低性能运算库。

你观察到的笔记本CPU占用90%但速度更慢的情况不正常，本质就是前面提到的线程过度调度、运算库无优化、CPU降频三类问题导致的无效开销占比过高，排查解决后即可恢复正常性能。

内容的提问来源于stack exchange，提问作者Wenyong