tensorflow 2.x 默认启用多线程并行计算导致cpu打满，需在import后、任何tf操作前用tf.config.threading.set_intra_op_parallelism_threads(1)等设置线程数，否则无效；环境变量优先级更高，推荐统一用tf_num_intraop_threads等配置。
TensorFlow 2.x 默认会打满 CPU 所有逻辑核心，不是代码写错了，而是它在 eager 模式下仍默认启用多线程并行计算 —— intra_op_parallelism_threads 和 inter_op_parallelism_threads 都设为物理核心数，两者相乘后线程数可能远超实际需要。
为什么 tf.config.threading.set_intra_op_parallelism_threads 设了没用？
这个函数只在 import 后、任何 TensorFlow 操作前生效。哪怕你只调了一次 tf.constant(1) 或 tf.random.normal，再调 set_intra_op_parallelism_threads 就完全无效，且不报错。
- 必须放在
import tensorflow as tf之后、第一行张量创建之前 - 设为 0 或负数会直接抛
ValueError: Number of threads must be positive - 设为 1 是最稳妥的选择；设为 2～4 更适合容器或混部环境
- PyTorch 用户注意：
torch.set_num_threads不等于OMP_NUM_THREADS或MKL_NUM_THREADS，三者独立生效
环境变量比代码设置优先级更高
如果启动 Python 前设置了 TF_NUM_INTRAOP_THREADS 或 TF_NUM_INTEROP_THREADS，它们会直接覆盖代码里的 tf.config.threading.set_* 调用。Docker、Slurm 或 shell 配置文件（如 ~/.bashrc）中残留的 export 很容易导致“明明写了 set 却没效果”。
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 检查方式：运行
print(os.environ.get("TF_NUM_INTRAOP_THREADS"))，别只信代码里写了 set - 推荐统一用环境变量配置，例如启动前执行：
export TF_NUM_INTRAOP_THREADS=2; export TF_NUM_INTEROP_THREADS=2 - 若必须用代码设置，先确认没有父进程或 shell 配置提前污染了这两个变量
服务器 CPU 占用率飙到 100% 不一定代表有问题
家用 CPU（如 i7）常因 AVX2 指令集限制，向量化能力弱，算得慢、用不满核心；而 Xeon 等服务器 CPU 支持 AVX-512，单个 tf.matmul 就能压满几十个逻辑核 —— 这是性能提升的表现，不是异常。
- 真正要警惕的是：htop 显示上百个线程、CPU 持续 90%+ 且训练速度没变快
- 此时大概率是
inter_op_parallelism_threads过高，导致调度开销反超收益 - 在 64 核机器上设
inter_op=64通常不如inter_op=4稳定，尤其当模型含大量小 op 时 - 用
nvidia-smi观察 GPU 利用率：如果长期低于 30%，说明 CPU 数据供给拖了后腿，该调tf.data的num_parallel_calls而非 TF 线程数
最容易被忽略的一点：线程数限制必须在所有 TF 初始化动作之前完成，包括 @tf.function 定义、tf.keras.Model 构造、甚至 tf.distribute.Strategy 实例化 —— 只要触发了任何底层 C++ runtime 初始化，设置就失效了。
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！
