答案是运行nvidia-smi命令，右上角显示的“cuda version: x.y”即为当前驱动支持的最高cuda版本，它决定可安装的cuda toolkit上限，而非已安装版本。
查清你显卡驱动支持的最高CUDA版本
显卡驱动是底座，它决定了你能装什么版本的CUDA。装太高会报错 NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver 或直接 ImportError: DLL load failed（Windows）；装太低则TensorFlow可能不兼容。最稳的做法是先运行：
nvidia-smi
看右上角“CUDA Version: X.Y”——这**不是**你已安装的CUDA版本，而是当前驱动**能支持的最高CUDA版本**。比如显示 CUDA Version: 12.4，说明你最多只能装 CUDA 12.4 及以下版本（如 12.2、12.3），但不能装 12.5。
- 驱动太旧？去 NVIDIA 官网 下载最新 Game Ready 或 Studio 驱动（非仅 CUDA Toolkit 自带驱动）
- 别信
nvidia-cuda-toolkit包——那是 Debian/Ubuntu 的阉割版，缺nvcc和完整库，TensorFlow 构建不认 - Windows 用户注意：WSL2 下的
nvidia-smi显示的是宿主机驱动版本，但 WSL2 实际可用 CUDA 版本还受限于 WSL2 内核和cudnn安装方式，慎用
按 TensorFlow 官方版本选对应的 CUDA + cuDNN 组合
TensorFlow 不支持“最新即最好”。它只验证过特定组合，硬凑高版本大概率失败。例如 TF 2.16+ 要求 CUDA 12.2 + cuDNN 8.9；TF 2.15 锁死 CUDA 11.8 + cuDNN 8.6 —— 混用会触发 Failed to load native TensorFlow runtime 或 cannot open shared object file: libcu*.so.XX。
- 必须查官方兼容表：
tensorflow.org/install/gpu#software_requirements（实时更新，比任何博客都准） - cuDNN 必须从 NVIDIA 官网下载对应 CUDA 版本的
cudnn-windows-x86_64-8.x.x.x_cudaX.Y-archive.zip（Windows）或cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz（Linux），解压后手动复制头文件和库文件，不能用apt install libcudnn8（Ubuntu 22.04 默认源里是 cuDNN 8.7，但 TF 2.15 需要 8.6） - Windows 下路径必须加进
PATH（cudnn/bin）、LD_LIBRARY_PATH（Linux）或LIBRARY_PATH（编译时用），漏一个就找不到libcudnn.so
用 pip 安装匹配的 tensorflow-gpu 或 tensorflow
TensorFlow 2.1+ 已统一为 tensorflow 包，自动包含 GPU 支持（只要底层 CUDA/cuDNN 就位）。不存在 tensorflow-gpu 独立包了——装它反而会冲突。
- 确认 Python 是 64 位：
python -c "import platform; print(platform.architecture())"，32 位 Python 压根加载不了 CUDA 库 - 虚拟环境里装：
pip install --upgrade pip后再pip install tensorflow==2.15.0（版本号必须和前面选的 CUDA/cuDNN 对齐） - 装完立刻验证：
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"。输出非空列表才算成功；若报Could not load dynamic library 'libcudnn.so.8'，说明 cuDNN 文件名或路径不对（常见于 Linux 解压后没重命名libcudnn.so.8.x.x.x→libcudnn.so.8） - Mac M 系列？别折腾 CUDA——Apple Silicon 用
tensorflow-macos+tensorflow-metal插件，和 CUDA 完全无关
验证 GPU 是否真在跑计算
看到 list_physical_devices('GPU') 有输出，不代表模型训练就走 GPU。很多新手写完 model.fit() 就以为 OK，其实可能全程 CPU 掉帧。
- 加日志开关：
tf.debugging.set_log_device_placement(True)，再跑一次简单计算（如tf.add(tf.ones((1000,1000)), tf.ones((1000,1000)))），终端会打印每步运算落在哪个设备上 - 观察
nvidia-smi实时占用：运行训练时，如果GPU-Util长期为 0%，大概率是数据没送进 GPU（比如tf.data.Dataset没加.prefetch(tf.data.AUTOTUNE)或没设.cache()），或者模型里混用了 NumPy 数组 - Windows 上
tf.device('/GPU:0')强制指定有时反而出错，优先让 TF 自动分配；真要指定，确保设备名存在（tf.config.list_logical_devices('GPU')查逻辑名）
最常被跳过的其实是 cuDNN 的符号链接步骤和 Python 进程启动时的动态库搜索路径——这两处一错，前面所有安装都白搭。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
