别担心，先帮你拆解一下你困惑的日志信息和实际情况：

关于日志里的0: N #

这个N完全不是GPU未启用的标志！它是TensorFlow打印的GPU设备互连矩阵——因为你只有1块GPU，矩阵里只需要显示这台GPU和自身的连接状态，N代表"No Peer-to-Peer Communication"，意思是单GPU场景下不需要跨GPU的直接通信，这是完全正常的输出，和GPU是否被使用没有关系。

反而后面这条日志已经明确告诉你GPU被成功初始化并分配了资源：

2018-05-26 17:39:54.449194: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 1416 MB memory) -> physical GPU (device: 0, name: GeForce GTX 960M, pci bus id: 0000:01:00.0, compute capability: 5.0)

这条日志说明TensorFlow已经正确识别到你的GeForce GTX 960M，并且给它分配了1416MB显存，设备已经就绪。

如何验证GPU真的在工作？ #

给你几个简单的验证方法：

• 实时监控GPU状态：在运行TensorFlow代码的同时，打开另一个终端反复执行nvidia-smi，观察GPU-Util（GPU使用率）和Memory-Usage（显存占用），如果代码执行时这两个数值明显上升，说明GPU正在处理计算任务；
• 打印可用设备列表：在Python里执行这段代码，会列出所有TensorFlow能使用的设备，确认GPU在列表中：

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

• 对比运行速度：写一个大一点的张量运算（比如大矩阵乘法或者简单的CNN），分别用/cpu:0和/gpu:0设备执行，GPU版本的运行时间应该会比CPU版本快很多（尤其是计算量越大，差距越明显）。

额外说明 #

你看到的AVX2 FMA警告只是提示TensorFlow编译时没有用到CPU的这些高级指令，不影响GPU的正常使用，完全可以忽略；另外你的NVIDIA驱动版本396.24和当时的TensorFlow版本是兼容的（2018年的TensorFlow要求驱动版本≥384），驱动层面没有问题。

总的来说，你的TensorFlow-GPU已经正常工作了，那个0: N只是单GPU场景下的正常日志，不用再为此焦虑啦！

内容的提问来源于stack exchange，提问作者Hobbes