GPU利用率低且帧数不足时，需依次排查：一、GPU识别与驱动状态；二、CUDA/cuDNN环境连通性；三、数据加载瓶颈；四、框架GPU启用状态；五、NVIDIA控制面板设置。

如果您运行深度学习训练任务或3A游戏时观察到GPU利用率持续偏低，同时帧数也明显不足，则可能是由于设备未被正确识别、数据供给瓶颈或显卡调度策略异常所致。以下是排查此问题的步骤：

一、验证GPU基础识别与驱动状态

该步骤用于确认系统底层是否已正确加载GPU硬件及对应驱动，避免因驱动缺失或降级导致设备不可见或性能阉割。

1、以管理员身份打开命令提示符，执行 nvidia-smi 命令，检查是否显示GPU型号、温度、显存使用量及驱动版本号。

2、若命令报错 "NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver"，则需卸载当前驱动并使用官网最新版执行清洁安装。

3、进入NVIDIA控制面板→“系统信息”，核对“驱动程序模型”是否为 WDDM 3.0+（Windows）或 TCC（服务器场景），非此模式将强制启用图形兼容层，抑制计算吞吐。

二、检查CUDA与cuDNN环境连通性

即使GPU可见，若CUDA工具链未通过基础验证，框架仍将回退至CPU执行，造成GPU空转且训练/渲染延迟。

1、在终端中运行 nvcc --version，确认CUDA编译器存在且版本不低于框架要求（如PyTorch 1.12+需CUDA ≥ 11.3）。

2、切换至CUDA示例目录：cd /usr/local/cuda/samples/1_Utilities/deviceQuery，执行 sudo make && ./deviceQuery，输出必须含 "Result = PASS"。

3、检查cuDNN头文件版本：cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2，比对框架文档要求的最小版本（如TensorFlow 2.10+要求cuDNN 8.1）。

三、定位数据加载瓶颈

当数据无法及时送入GPU显存时，GPU将长期处于等待状态，表现为高延迟、低利用率与低帧率，尤其在小文件密集读取或跨地域存储场景下极为显著。

1、将原始数据集复制至本地SSD路径（如Linux下 /dockerdata 或Windows下 D:\dataset），改用该路径启动训练或游戏资源加载。

2、若数据为大量图片/音频等小文件，使用 lmdb 或 TFRecord 工具将其打包为单一大文件，消除随机IO开销。

3、在PyTorch中启用 pin_memory=True 与 num_workers≥4 的DataLoader参数，加速主机内存到GPU显存的数据搬运。

四、强制框架启用GPU设备

部分框架（尤其是conda多环境共存时）可能默认加载CPU-only版本，或因设备选择逻辑错误跳过可用GPU。

1、在Python中执行 import torch; print(torch.cuda.is_available(), torch.cuda.device_count())，输出必须为 True 1（或更高数值）。

2、若返回False，检查是否误装 torch-cpu 包，执行 pip uninstall torch && pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118（按实际CUDA版本替换cu118）。

3、在代码中显式指定设备：model.to('cuda') 与 data = data.to('cuda')，禁用自动设备推断。

五、调整NVIDIA控制面板全局与程序级设置

Windows平台下，系统级图形策略可能覆盖应用请求，导致GPU被静默降频或分配失败。

1、打开NVIDIA控制面板→“管理3D设置”→“全局设置”，将“首选图形处理器”设为 高性能NVIDIA处理器，关闭“垂直同步”与“线程优化”。

2、在“程序设置”页签中，手动添加目标可执行文件（如 LeagueClient.exe 或 python.exe），为其单独指定“高性能NVIDIA处理器”及“电源管理模式：最高性能优先”。

3、右键桌面→“显示设置”→“图形设置”，将相同程序添加为“经典应用”，并设为“高性能”选项。