在PyCharm中使用Tensorflow无法访问NVIDIA GPU该如何解决？

TensorFlow GPU版本无法独立运行，必须搭配对应版本的NVIDIA驱动、CUDA Toolkit、cuDNN库才能调用GPU，当前报错是底层依赖缺失或者版本不匹配导致的。

运行日志显示系统已成功识别到NVIDIA GeForce GTX 1650 Ti显卡，但TensorFlow加载GPU运行所需的动态库失败，因此主动跳过GPU设备注册，最终输出空的GPU列表和“Please install GPU version of TF”的错误提示。

• 确认已安装的tensorflow-gpu版本，严格匹配对应的CUDA、cuDNN、NVIDIA驱动版本，例如TensorFlow 2.5对应CUDA 11.2、cuDNN 8.1，NVIDIA驱动版本要求≥460.27.03，大版本不一致一定会出现调用失败的问题。
• 安装匹配版本的NVIDIA显卡驱动，安装时选择自定义安装模式，勾选清洁安装选项清除旧驱动残留，安装完成后重启电脑。
• 安装匹配版本的CUDA Toolkit，默认安装会自动写入系统环境变量，若自定义了安装路径，需要手动将CUDA安装目录下的bin、libnvvp文件夹路径添加到系统Path环境变量中。
• 安装匹配版本的cuDNN库，下载对应版本的cuDNN压缩包后，将包内的bin、include、lib三个文件夹直接复制到CUDA的安装目录下，覆盖同名文件夹即可完成安装。
• 检查PyCharm运行配置的Python解释器，确认当前运行代码的解释器就是安装了tensorflow-gpu包的解释器，避免出现虚拟环境混淆的问题。
• 所有配置完成后重启PyCharm，重新运行测试代码即可正常识别GPU设备。

• 安装前先执行pip uninstall tensorflow tensorflow-gpu命令卸载所有已安装的TensorFlow包，避免CPU版本和GPU版本共存出现依赖冲突。
• 若不想手动配置版本依赖，可以使用conda包管理器安装tensorflow-gpu，安装时会自动匹配并安装对应版本的CUDA、cuDNN依赖，无需手动操作，适配成本更低。

内容的提问来源于stack exchange，提问作者Sercan Noyan Germiyanoğlu