先别急，咱们一步步来排查，大概率是环境配置或者运行时的小问题导致的。

1. 先确认TensorFlow是否能检测到GPU #

首先在你的Python 2.7环境里跑这几行代码，直接验证TensorFlow对GPU的识别情况：

import tensorflow as tf
print(tf.__version__)
# 针对TensorFlow 1.x（适配Python2.7的版本），用这个检测GPU可用性
print(tf.test.is_gpu_available())
# 查看识别到的GPU设备详情
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

如果输出里没有GPU相关信息，或者is_gpu_available()返回False，那说明TensorFlow根本没识别到GPU，这是核心问题，得先解决这个。

2. 核对CUDA和cuDNN版本与TensorFlow的兼容性 #

TensorFlow GPU版对CUDA、cuDNN的版本有严格要求，比如适配Python2.7的TensorFlow 1.15，需要搭配CUDA 10.0 + cuDNN 7.6左右。你可以对照自己安装的TensorFlow版本，确认对应的依赖版本是否匹配：

• 检查CUDA的环境变量是否正确配置：Linux/macOS要确保CUDA_HOME、PATH（加入${CUDA_HOME}/bin）、LD_LIBRARY_PATH（加入${CUDA_HOME}/lib64）都已设置；Windows要把CUDA的bin和libnvvp目录添加到系统环境变量PATH里。
• 确认cuDNN的文件已正确放置：把cuDNN压缩包里的bin、include、lib文件夹下的文件，复制到CUDA安装目录的对应子文件夹中。

3. 确保Keras使用TensorFlow GPU后端 #

有时候Keras可能默认走了CPU后端，你可以这么检查和设置：

• 找到Keras的配置文件：Linux/macOS在~/.keras/keras.json，Windows在C:\Users\<你的用户名>\.keras\keras.json，确保里面的"backend"字段是"tensorflow"，而不是"theano"或"cntk"。
• 也可以在训练代码开头强制指定后端：

import os
os.environ['KERAS_BACKEND'] = 'tensorflow'
import keras

4. 检查GPU是否被其他进程占用 #

如果GPU被其他程序（比如另一个TensorFlow训练进程、CUDA测试程序）占用，你的模型就没法正常使用GPU。可以用工具查看GPU状态：

• Linux/macOS直接在终端执行nvidia-smi命令；Windows可以打开NVIDIA控制面板的任务管理器，或者在命令行执行nvidia-smi（需确保CUDA的bin目录在PATH里）。
• 如果有无关进程占用GPU，先关闭它们再重新运行训练脚本。

5. 查看完整的TensorFlow日志 #

你提供的日志只显示了CPU指令的片段，建议让TensorFlow输出更详细的GPU相关日志：

• Linux/macOS在运行脚本前执行：export TF_CPP_MIN_LOG_LEVEL=0
• Windows在命令行执行：set TF_CPP_MIN_LOG_LEVEL=0
  然后运行训练脚本，查看是否有GPU初始化失败的提示，比如“找不到CUDA库”“版本不匹配”这类信息，这些细节能帮你精准定位问题。

6. 确认安装的是TensorFlow GPU版 #

别大意，有时候可能误装了CPU版的TensorFlow。你可以在Python环境里执行pip list，查看是否有tensorflow-gpu这个包（Python2.7适配的TF版本，GPU版包名是tensorflow-gpu，不是tensorflow），如果没有，重新安装对应版本的GPU版：pip install tensorflow-gpu==1.15

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