先运行nvidia-smi确认驱动正常且cuda版本可用，否则后续全失败；tensorflow 2.10需cuda 11.2与cudnn 8.1匹配，环境变量、dll路径及版本降级（≥2.11已弃用windows gpu支持）缺一不可。
先看 nvidia-smi 能不能跑通 —— 不能就别往下试了，90% 的问题卡在这一步。
运行 nvidia-smi 报错或显示 “Not Available”
这说明 NVIDIA 驱动没装、损坏，或版本太低压根不支持你打算用的 CUDA。TensorFlow 加载 cudart64_*.dll 或 libcudart.so 前，必须通过驱动接口确认 GPU 状态；驱动不达标，后续所有库路径、环境变量都白搭。
- 执行
nvidia-smi：如果命令未识别、报 “NVIDIA-SMI has failed”，说明驱动缺失或冲突 - 如果能输出 GPU 列表但右上角 CUDA 版本是
Not Available，说明驱动版本低于当前 CUDA 所需最低版本（例如 CUDA 11.2 要求驱动 ≥ 460.27） - 去 NVIDIA 官网下载对应显卡型号的最新 Studio Driver（比 Game Ready 更稳），安装时勾选「执行清洁安装」
- 重启后再次运行
nvidia-smi，确认右上角显示 CUDA 版本（如CUDA Version: 12.2）
Windows 上 tf.config.list_physical_devices('GPU') 返回空列表
驱动正常但 TensorFlow 就是看不见 GPU，大概率是环境变量没生效，或者用了不兼容的 TF 版本。TF ≥ 2.11 官方已移除 Windows GPU 支持，必须用 tensorflow==2.10.0。
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 确认已降级：
pip uninstall tensorflow && pip install tensorflow==2.10.0 - 下载与 CUDA 11.2 匹配的 cuDNN（如
cudnn-11.2-windows-x64-v8.9.7.29），解压后把cudnn-11.2-windows-x64-v8.9.7.29\cuda\bin加入系统PATH - 不要拷
cudnn64_7.dll到System32—— 易引发 DLL 冲突 - 必须重启终端或 IDE（PyCharm/VS Code），已有进程不会自动读取新
PATH - 验证：
python -c "import tensorflow as tf; print(len(tf.config.list_physical_devices('GPU')))"应输出1或更多
Linux/WSL2 中 libcudnn.so.8 找不到
conda 环境里装了 cudatoolkit=11.2 和 cudnn=8.9.7，但 tf.config.list_physical_devices('GPU') 还是空 —— 大概率是 LD_LIBRARY_PATH 没指向 conda 环境里的真实库路径。
- 运行
echo $LD_LIBRARY_PATH，确认输出包含类似/home/xxx/miniconda3/envs/myenv/lib的路径 - 若没有，手动执行：
export LD_LIBRARY_PATH=/home/xxx/miniconda3/envs/myenv/lib:$LD_LIBRARY_PATH - 检查库文件是否存在：
ls /home/xxx/miniconda3/envs/myenv/lib/libcudnn.so*（注意不是libcudnn.so.8，而是带完整版本号的，如libcudnn.so.8.9.7） - 必要时建软链：
ln -sf libcudnn.so.8.9.7 libcudnn.so.8（进到该lib目录下操作） - 别漏掉
XLA_FLAGS=--xla_gpu_cuda_data_dir=/home/xxx/miniconda3/envs/myenv，TF 2.13+ 在 WSL2 下需要它
真正容易被忽略的是：驱动版本和 CUDA Toolkit 是单向依赖关系 —— 新驱动通常兼容旧 CUDA，但旧驱动绝不可能撑起新 CUDA。哪怕你只差一个 patch 版本，cudart64_110.dll 就会静默失败，日志里却只字不提驱动问题。
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！
