TensorFlow-GPU在Python Shell可运行但Jupyter中无法识别GPU问题问询

1. Jupyter内核未绑定对应conda环境 #

这是最常见的故障原因：你安装tensorflow-gpu的conda环境，和Jupyter当前运行用的内核不是同一个环境。

• 排查步骤：
  1. 在Jupyter中运行代码查看当前解释器路径：

  import sys
  print(sys.executable)
  

  2. 在正常运行的Python Shell中运行同样代码，对比两个路径。如果路径不一致，即可确认是内核不匹配问题
• 修复步骤：
  1. 终端执行命令激活你安装了tensorflow-gpu的conda环境：conda activate <你的环境名称>
  2. 在该环境中安装ipykernel：conda install ipykernel
  3. 将当前环境注册为Jupyter内核：python -m ipykernel install --user --name <你的环境名称> --display-name "Python (GPU-TF环境)"
  4. 重启Jupyter，新建笔记本时选择刚才注册的「Python (GPU-TF环境)」内核即可。

2. Jupyter启动时未加载正确的环境变量 #

部分用户直接从快捷方式启动Jupyter，没有激活对应conda环境，导致CUDA、cuDNN的路径没有被加载到系统变量中，TensorFlow无法找到GPU依赖，自动降级为CPU模式。

• 排查步骤：分别在Python Shell和Jupyter中运行以下代码，对比CUDA、cuDNN的安装路径是否出现在Jupyter的变量输出中：

import os
print(os.environ['PATH'])

• 修复步骤：
  1. 每次启动Jupyter前，先在终端激活对应conda环境，再执行jupyter notebook启动，即可继承当前环境的所有变量配置。
  2. 如仍有问题，可在Jupyter代码开头手动追加CUDA路径：

  import os
  # Windows示例，Linux下修改为LD_LIBRARY_PATH变量，路径替换为你本机CUDA、cuDNN的实际路径
  os.environ['PATH'] = 'C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v11.7/bin;' + os.environ['PATH']
  

3. 同一环境下同时存在CPU版和GPU版TensorFlow #

如果对应环境中同时安装了tensorflow（CPU版）和tensorflow-gpu包，Python会优先调用CPU版本，导致GPU无法被识别。

• 排查步骤：在Jupyter的终端中运行命令查看已安装的TensorFlow包：

pip list | findstr tensorflow # Windows用这个命令
# pip list | grep tensorflow # Linux/Mac用这个命令

• 修复步骤：完全卸载所有TensorFlow相关包后重新安装匹配CUDA版本的GPU版：

pip uninstall -y tensorflow tensorflow-gpu tensorflow-estimator tensorboard
pip install tensorflow-gpu==<对应版本号>

内容的提问来源于stack exchange，提问作者Chandan Malla