首先明确一点：你的Intel HD Graphics 520核显无法使用TensorFlow的GPU加速版本。TensorFlow的GPU支持依赖NVIDIA的CUDA计算框架和cuDNN加速库，只有NVIDIA的独立显卡（且为支持CUDA的型号）才能启用GPU加速。Intel核显不兼容这套生态，所以没法用tensorflow-gpu（现在新版本的TensorFlow已经整合了CPU和GPU支持，但没有NVIDIA环境的话只会运行CPU版本）。

接下来解决「安装无警告且更稳定的TensorFlow」以及优化运行速度的问题：

一、安装无Future Warning的TensorFlow版本 #

1. 卸载现有TensorFlow
   先清理掉当前可能版本不兼容的TensorFlow，打开Anaconda Prompt（或终端），激活你的Python环境后执行：

conda uninstall tensorflow

如果之前用pip安装的，就用：

pip uninstall tensorflow

2. 安装兼容的稳定版本
   你的Intel核显只能运行CPU版本的TensorFlow，推荐选择TensorFlow 2.15.x版本（这是最后一个支持Python 3.8-3.11的稳定版本，兼容性好，警告少）。在conda环境中执行：

conda install tensorflow=2.15

或者用pip安装（确保在conda环境内）：

pip install tensorflow==2.15

3. 验证安装并消除残留警告
   安装完成后，运行以下代码验证：

import tensorflow as tf
# 关闭Future Warning（如果还有的话）
import warnings
warnings.filterwarnings("ignore", category=FutureWarning)
# 检查版本和设备
print(f"TensorFlow版本: {tf.__version__}")
print(f"可用设备: {tf.config.list_physical_devices()}")

正常情况下，这里只会显示CPU设备，且不会出现Future Warning。

二、优化CPU版本TensorFlow的运行速度 #

因为你只能用CPU计算，运行慢是正常的，但可以通过以下方式小幅提升效率：

• 减小批量大小：把训练代码中的batch_size从32/64改成16/8，降低单次计算的负载
• 使用轻量模型：比如用MobileNet、EfficientNet-Lite这类专为资源受限设备设计的模型，替代VGG、ResNet等重型模型
• 启用MKL加速：通过conda安装的TensorFlow默认会整合Intel MKL库，它能大幅提升CPU的计算效率，所以尽量用conda安装而不是pip
• 关闭冗余日志：在代码开头添加以下代码，减少日志输出占用的资源：

  tf.get_logger().setLevel('ERROR')
  

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