TensorFlow后端下Keras无法调用GPU的排查方法

我之前在Windows环境下折腾TensorFlow-GPU的时候也碰到过一模一样的GPU识别问题，给你梳理几个逐步排查的调试步骤，应该能帮你定位到故障点：

1. 先核对版本兼容性矩阵 #

这是最容易踩坑的点！TensorFlow-GPU对CUDA、cuDNN和自身版本的匹配要求非常严格：

• 先运行 pip show tensorflow-gpu 查看你安装的TF版本
• 确认CUDA 9.1对应的cuDNN版本是7.1.x（不是随便的7.x），而TensorFlow-GPU 1.8~1.12版本才适配CUDA 9.1
• 如果版本不匹配，卸载现有TF和cuDNN，重新安装对应版本的组合

2. 验证环境变量与路径配置 #

虽然你说已经把cuDNN64_7.dll加入PATH，但要确认以下几点：

• 在Jupyter中运行 import os; print(os.environ['PATH'])，检查输出里是否同时包含：
  • CUDA 9.1的bin目录（比如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\bin）
  • cuDNN解压后的bin目录（比如你放cuDNN的文件夹下的bin）
• 检查系统环境变量是否存在CUDA_PATH和CUDA_PATH_V9_1，且指向正确的CUDA安装目录

3. 测试CUDA本身是否能识别GPU #

如果CUDA本身都识别不了GPU，那和TensorFlow无关：

• 找到CUDA安装目录下的samples文件夹（默认路径是C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.1）
• 编译并运行deviceQuery示例程序（可以用Visual Studio打开对应的sln文件编译，或者用命令行）
• 如果运行结果显示Result = PASS，说明CUDA和显卡、驱动的交互正常；如果失败，那就要：
  • 确认GTX780的驱动版本是不是CUDA 9.1要求的388.xx及以上（最新驱动可能只适配高版本CUDA，反而不兼容9.1，建议回退到对应版本驱动）
  • 检查显卡是否有硬件故障（不过概率很低）

4. 确认VirtualEnv环境的正确性 #

有时候VirtualEnv会偷偷装CPU版TensorFlow：

• 在Jupyter中运行：

  import tensorflow as tf
  print(tf.__version__)
  print(tf.test.is_built_with_cuda())
  

• 如果is_built_with_cuda()返回False，说明你装的是CPU版TF，执行以下步骤修复：

  pip uninstall tensorflow
  pip install tensorflow-gpu==[你需要的对应版本]
  

5. 检查Jupyter Kernel是否关联到VirtualEnv #

很多时候Jupyter默认用系统Python，而不是你的VirtualEnv环境：

• 在Jupyter中运行 import sys; print(sys.executable)，查看路径是否指向你的VirtualEnv下的python.exe
• 如果不是，先激活你的VirtualEnv，然后执行：

  pip install ipykernel
  python -m ipykernel install --user --name=你的环境名称
  

• 重启Jupyter，切换到新添加的kernel再测试

6. 查看TensorFlow的详细日志 #

开启DEBUG日志，找初始化失败的具体原因：

• 在代码开头添加：

  import os
  os.environ['TF_CPP_MIN_LOG_LEVEL'] = '0'  # 开启所有日志
  import tensorflow as tf
  tf.debugging.set_log_device_placement(True)
  

• 然后运行 print(tf.test.gpu_device_name())，查看输出日志里的错误信息（比如找不到cuDNN库、版本不匹配、显卡计算能力不支持等）

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