如何通过Python脚本检查TensorFlow是否成功调用了CUDA？-Python教程-PHP中文网

最直接验证方式是检查tf.config.list_physical_devices('gpu')是否返回非空列表：若为空说明驱动未装、cuda/cudnn版本不匹配或tensorflow为cpu-only版；非空则需通过日志确认实际计算是否分配到gpu，并核对驱动、cuda、cudnn及tensorflow版本兼容性。

如何通过python脚本检查tensorflow是否成功调用了cuda？

检查 `tf.config.list_physical_devices('GPU')` 是否返回非空列表

这是最直接的验证方式：TensorFlow 2.0+ 中，CUDA 可用性不体现在 tf.test.is_gpu_available()（该函数已弃用），而取决于是否能枚举出 GPU 设备。如果返回空列表 []，说明 TensorFlow 没有识别到 CUDA 设备——原因可能是驱动未装、CUDA/cuDNN 版本不匹配、或 TensorFlow 安装的是 CPU-only 版本。

实操建议：

在 Python 环境中运行：

import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))

若输出类似 [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]，说明 CUDA 基础通路已通；若为空列表，继续排查驱动和版本兼容性
注意：即使返回非空，也不代表所有算子都走 GPU（例如某些 Op 默认在 CPU 上执行），需进一步看实际运行日志

启用日志查看真实设备分配情况

光有设备列表还不够，得确认模型训练或推理时是否真把计算发给了 GPU。TensorFlow 默认不打印设备放置信息，需手动开启日志级别。

实操建议：

设置环境变量再导入 TensorFlow：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '0'  # 必须在 import tensorflow 前设置
import tensorflow as tf

运行一个简单计算（如矩阵乘）并观察 stdout 中是否出现 Placing operation ... on device /job:localhost/replica:0/task:0/device:GPU:0
常见干扰项：TF_CPP_MIN_LOG_LEVEL=2 会屏蔽所有 GPU 日志；allow_soft_placement=True（默认开启）可能导致 Op 回退到 CPU 而不报错，此时日志里会写 ... placed on CPU

验证 CUDA 和 cuDNN 版本是否与 TensorFlow 匹配

TensorFlow 官方只保证对特定 CUDA/cuDNN 组合做测试和打包。用错版本（比如 TF 2.12 要求 CUDA 11.8 + cuDNN 8.6，你装了 CUDA 12.1）会导致 list_physical_devices('GPU') 静默失败。

python-parallelization

将顺序 Python 代码转换为并行/并发实现，用于在需要并行化 Python 代码、提升性能时使用。

下载

实操建议：

查清你安装的 TensorFlow 版本对应要求：官方 GPU 支持表是唯一可信来源，不要依赖社区博客的过期信息
检查系统级 CUDA 版本：
```
nvidia-smi
```
显示的是驱动支持的最高 CUDA 版本（不是已安装的 runtime 版本）；真正要看的是：
```
nvcc --version
```
或 /usr/local/cuda/version.txt
cuDNN 版本需手动确认：
```
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
```
；路径可能因安装方式不同而异（如 Conda 环境下在 $CONDA_PREFIX/include/）

区分 `tensorflow` 和 `tensorflow-gpu` 的历史陷阱

TensorFlow 2.1 开始就不再提供单独的 tensorflow-gpu 包，统一为 tensorflow。如果你 pip install 的是旧版（如 TF 1.x）的 tensorflow-gpu，又混用了新版 pip 或 Python 3.9+，极大概率导致 CUDA 加载失败且无明确报错。

实操建议：

执行
```
pip show tensorflow
```
，确认版本 ≥ 2.1 且包名是 tensorflow（不是 tensorflow-gpu）
若曾安装过 tensorflow-gpu，先彻底卸载：
```
pip uninstall tensorflow tensorflow-gpu -y
```
，再重装指定版本的 tensorflow
虚拟环境中尤其要注意：Conda 安装的 tensorflow 默认带 GPU 支持，但 pip 安装的同名包不一定——优先用 conda install tensorflow 可规避部分二进制兼容问题

最容易被忽略的一点：NVIDIA 驱动版本必须 ≥ 对应 CUDA toolkit 的最低要求（例如 CUDA 11.8 要求驱动 ≥ 520.61.05）。nvidia-smi 显示的驱动版本不够新时，哪怕 CUDA toolkit 装对了，TensorFlow 仍无法加载 GPU 设备——这个错误不会抛异常，只会静默返回空列表。