TensorFlow 2 如何启用GPU？检测显示可用GPU数为0怎么办

1. 确认安装的TensorFlow为GPU匹配版本 #

• 常见问题根源为安装了纯CPU版本的TensorFlow，或Jupyter关联的Python环境与安装TF的环境不一致。直接在Jupyter运行单元格代码核对当前环境的已安装包：
  • Windows系统执行：pip list | findstr tensorflow
  • Linux/macOS系统执行：pip list | grep tensorflow
• 若输出包含tensorflow-cpu，或tensorflow包体积不足600MB（GPU版TF2.4.x安装包内置CUDA运行依赖，压缩包体积约650MB），按以下步骤重装匹配版本：
  • 卸载现有TensorFlow：pip uninstall tensorflow tensorflow-cpu -y
  • 安装对应GPU版本：pip install tensorflow==2.4.1

  注意：TF 2.4.x的pip安装包会自动适配对应版本的CUDA运行时，无需单独手动安装独立版CUDA Toolkit，手动安装的版本不匹配反而会引发依赖冲突。

2. 核对NVIDIA显卡驱动的版本兼容性 #

• 在系统终端执行nvidia-smi，查看输出右上角标注的CUDA最高支持版本
• TF 2.4.x要求显卡驱动支持的最低CUDA版本为11.0，若nvidia-smi显示的支持版本低于11.0，需将NVIDIA官方显卡驱动升级至456.38及以上版本
• 确认nvidia-smi可正常识别RTX 2080设备，无设备被禁用、状态异常的提示

3. 排查环境变量与Jupyter内核关联问题 #

• Windows系统需检查系统Path环境变量是否包含CUDA运行路径：
  • 有效路径为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\bin、C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\libnvvp，若路径缺失，手动添加后重启系统生效
• 校验Jupyter当前使用的Python解释器路径：
  • 在Jupyter单元格执行import sys; print(sys.executable)，对比输出路径与终端安装TF时使用的Python解释器路径，若路径不一致，需将对应环境关联为Jupyter内核，关联命令为：python -m ipykernel install --user --name=自定义内核名称

4. 效果验证 #

• 完成所有排查步骤后，重启Jupyter内核，重新执行检测代码：
  print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))
• 若返回数值为1，说明GPU已被TF正常识别，可通过以下代码验证GPU计算功能是否生效：

  tf.debugging.set_log_device_placement(True)
  a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
  b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
  c = tf.matmul(a, b)
  print(c)
  

  运行日志中若显示矩阵乘法运算被分配到/device:GPU:0设备上，代表GPU加速功能已正常启用。

内容的提问来源于stack exchange，提问作者Rui