先给你个最直接的验证方法：先跑一段极简代码确认TensorFlow到底有没有识别到你的GPU——这是排查的核心起点：

import tensorflow as tf
print(tf.__version__)
# TensorFlow 1.x版本用这句
print("GPU 是否可用: ", tf.test.is_gpu_available())
# 如果是TensorFlow 2.x版本，替换成下面这句
# print("GPU 是否可用: ", tf.config.list_physical_devices('GPU'))

如果输出显示GPU不可用，咱们一步步排查：

1. 先确认版本兼容性 #

CUDA 9.0对应的TensorFlow-GPU版本范围是1.10.x ~ 1.14.x，要是你装的TF版本太高（比如2.x），根本没法和CUDA9.0兼容。先查当前TF版本：

pip list | grep tensorflow

如果版本不对，卸载重装适配版本：

pip uninstall tensorflow-gpu
pip install tensorflow-gpu==1.13.1  # 这个版本和CUDA9.0适配性拉满

2. 检查CUDA和cuDNN的环境配置 #

• 环境变量必须到位：
  • Windows：把C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin和C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp添加到系统PATH里
  • Linux：在~/.bashrc里追加：

    export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
    export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
    

    然后执行source ~/.bashrc让配置生效
• cuDNN文件要放对位置：
  把cuDNN解压后的bin、include、lib文件夹里的文件，分别复制到CUDA 9.0对应的目录下（Windows是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0，Linux是/usr/local/cuda-9.0）

3. 验证显卡驱动版本 #

CUDA 9.0要求NVIDIA驱动版本至少是384.x（Windows）或384.81（Linux）。用nvidia-smi命令查看当前驱动版本，要是版本太低，去NVIDIA官网下载对应驱动安装就行。

4. 检查代码是否误禁用GPU #

有时候代码里会不小心加了强制用CPU的设置，比如：

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "-1"  # 这句直接禁用GPU

如果有就删掉或者注释掉。也可以在代码开头手动开启GPU内存动态分配，避免显存占用问题：

import tensorflow as tf
gpu_devices = tf.config.experimental.list_physical_devices('GPU')
if gpu_devices:
    tf.config.experimental.set_memory_growth(gpu_devices[0], True)

5. 排查GPU是否被占用 #

用nvidia-smi命令看看有没有其他进程在占用GPU资源，要是有的话，关掉这些进程再重新运行你的检测脚本。

等你完成上面的步骤，再跑之前的GPU验证代码，显示可用后再运行object-detection_tutorial.py，应该就能正常调用GPU加速了。

内容的提问来源于stack exchange，提问作者MAGICK