我之前也踩过这个坑，明明TensorFlow能识别到GPU，可模型就是死磕CPU跑，折腾了好一阵才找到几个有效的解决方向，你可以挨个试试：

1. 确认用的是TensorFlow内置的Keras #

TensorFlow 2.0之后，官方已经把Keras整合进来了，如果你还是单独安装Keras包并用import keras导入，很可能会出现兼容性问题，强制跑在CPU上。

• 改个导入方式就行：换成from tensorflow import keras或者import tensorflow as tf，之后所有模型构建、编译都用tf.keras开头的API。

2. 手动指定GPU设备运行 #

有时候自动设备分配会抽风，咱们手动指定GPU运行更稳妥，有两种简单方式：

• 方式一：用上下文管理器包裹训练代码
  把你的模型构建、训练代码都放在这个上下文里，强制让它用GPU：

  with tf.device('/device:GPU:0'):
      # 这里放你的模型定义、编译、训练代码
      model = tf.keras.Sequential([...])
      model.compile(optimizer='adam', loss='categorical_crossentropy')
      model.fit(x_train, y_train, epochs=10)
  

• 方式二：开启GPU内存增长并设置可见设备
  在代码最开头加这段，既能让TensorFlow按需使用GPU内存，也能明确指定用GPU：

  physical_devices = tf.config.list_physical_devices('GPU')
  if physical_devices:
      tf.config.set_visible_devices(physical_devices[0], 'GPU')
      tf.config.experimental.set_memory_growth(physical_devices[0], True)
  

3. 重点检查CUDA版本匹配！ #

你装的是CUDA 10.1，但TensorFlow 2.0.0只支持CUDA 10.0！这很可能是核心问题！版本不匹配的话，就算能识别到GPU，也没法正常调用。

• 解决方案：卸载CUDA 10.1，安装CUDA 10.0，再搭配对应版本的cuDNN（7.4.1及以上），装完重启电脑再测试。

4. 准确验证GPU是否在工作 #

Windows任务管理器的GPU监控有时候不太准，你可以用更靠谱的方式确认：

• 运行代码验证：

  print(tf.test.is_gpu_available())
  print(tf.config.list_logical_devices('GPU'))
  

• 用NVIDIA官方工具：打开命令行输入nvidia-smi，查看训练过程中GPU的显存占用和利用率，这个比任务管理器准确多了。

5. 清理环境残留冲突 #

就算你卸载了tensorflow只留tensorflow-gpu，可能还有残留的配置或者缓存导致环境混乱：

• 步骤：
  1. 完全卸载两个包：pip uninstall tensorflow tensorflow-gpu -y
  2. 清理pip缓存：pip cache purge
  3. 重新安装指定版本：pip install tensorflow-gpu==2.0.0
  4. 一定要重启Jupyter Notebook！内核不会自动加载新环境的。

内容的提问来源于stack exchange，提问作者SHELENDRA VASHISHTHA