tf.config.list_physical_devices('gpu') 返回空列表，根本原因在于cuda/cudnn、nvidia驱动、python及tensorflow版本未严格对齐；需先通过nvidia-smi确认驱动支持的最高cuda版本，再按官方兼容表精确匹配安装对应cuda toolkit与cudnn，并使用干净python 3.9环境pip install tensorflow（非tensorflow-gpu），最后验证动态库路径与版本一致性。
tf.config.list_physical_devices('GPU') 返回空列表，不是因为没装 TensorFlow，而是底层 CUDA/cuDNN 与驱动、Python 版本之间有一环没对齐。直接 pip install tensorflow 装出来的几乎肯定是 CPU 版——想用 GPU，必须手动控链。
先确认显卡驱动和 CUDA 支持上限
别急着装 CUDA，先看驱动允许你用什么版本：nvidia-smi 右上角显示的 “CUDA Version: 12.x” 是**驱动支持的最高版本**，不是你已装的 CUDA。这个数字决定了你能往下选哪个 CUDA Toolkit。
- 如果显示
CUDA Version: 12.4，说明驱动 ≥550，可装 CUDA 11.8 或 12.2（取决于你要用的 TensorFlow 版本） - 如果显示
CUDA Version: 11.6，那 CUDA 12.x 就不能装，否则libcudart.so.12找不到 -
nvcc -V和nvidia-smi输出不一致完全正常；前者查的是已安装的 Toolkit，后者查的是驱动能力
创建 Python 3.9 环境并装 tensorflow（不是 tensorflow-gpu）
TensorFlow 2.10+ 已废弃 tensorflow-gpu 包名，统一用 tensorflow，GPU 支持由底层 CUDA 自动触发。但前提是环境干净、版本对得上。
- 用 conda 创建隔离环境：
conda create -n tf-gpu python=3.9—— Python 3.9 是目前 wheel 兼容率最高、cuDNN 自动匹配最稳的基线 - 激活后优先用 pip：
conda activate tf-gpu→pip install tensorflow（conda 渠道的tensorflow包有时会漏掉 CUDA 动态库绑定） - 别用
conda install tensorflow-gpu，该包名在 TF 2.10+ 中已被移除，强行装会降级或冲突
验证 GPU 是否真正可用，不止看 import 成功
import 不报错 ≠ GPU 可用。import tensorflow as tf 成功只说明框架加载了，关键要看设备发现逻辑是否走通。
- 运行：
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))" - 返回
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]才算成功 - 若返回空列表，常见原因：CUDA 路径没进
LD_LIBRARY_PATH、libcudnn.so.8找不到、或实际装的 CUDA 版本与 TensorFlow 编译时所用版本不符（例如 TF 2.15 要求 CUDA 12.2，你装了 12.4 就不行）
conda init 没选 yes 就等于白装 Anaconda
执行 bash Anaconda3-*.sh 后，出现 Do you wish the installer to initialize Anaconda3 by running conda init? [yes|no] 提示时按回车（默认 no），后果是：conda 命令在新终端里根本不可用。
- 补救只有两个办法：重跑安装脚本并输
yes；或手动执行~/anaconda3/bin/conda init bash再source ~/.bashrc -
source ~/anaconda3/etc/profile.d/conda.sh只对当前终端生效，关掉就失效——这不是临时方案，是误操作 - 验证是否生效：
which conda应输出类似/home/xxx/anaconda3/bin/conda，且新终端里conda --version有输出
tf.config.list_physical_devices('GPU') 静默失败。很多人卡在最后一步，不是不会装，是没意识到“装上了”和“能调用”之间隔着三道动态链接检查。
