TensorFlow默认预分配全部GPU显存，导致PyTorch无法分配显存；必须在import后、任何TF操作前调用set_memory_growth(True)或set_memory_limit()，且需配合CUDA_VISIBLE_DEVICES物理隔离或多进程显式设备绑定。
TensorFlow默认占满GPU显存，PyTorch拿不到可用显存
这是最常见现象：启动TensorFlow后，torch.cuda.memory_allocated()返回0，torch.cuda.is_available()为True但分配张量直接报OutOfMemoryError。根本原因在于TensorFlow 2.x默认启用内存增长策略（memory_growth=True）失效或未设，它会一次性申请几乎全部显存，且不释放给其他框架。
解决方法不是“卸载一个”，而是让TensorFlow主动让出显存：
- 在导入
tensorflow后、创建任何模型前，立即执行：import tensorflow as tf gpus = tf.config.list_physical_devices('GPU') if gpus: for gpu in gpus: tf.config.experimental.set_memory_growth(gpu, True) - 若仍不够用，可进一步限制TensorFlow最大内存（单位MB）：
tf.config.experimental.set_memory_limit(gpus[0], 4096) # 限制为4GB
- 注意：该设置必须在
tf.config.list_physical_devices()之后、任何TF计算图构建之前调用，否则无效
PyTorch无法感知TensorFlow已占用的显存
PyTorch的cuda.memory_allocated()只统计自己分配的部分，不会检测TensorFlow底层占用。所以即使TF占了8GB，PyTorch仍可能尝试分配剩余显存，结果触发OOM——这不是PyTorch bug，而是CUDA上下文隔离导致的“信息盲区”。
实操建议：
- 手动预留显存给TensorFlow：在PyTorch侧用
torch.cuda.set_per_process_memory_fraction(0.7)（仅限1.12+），或更稳妥地，在启动时用环境变量控制：os.environ['PYTORCH_CUDA_ALLOC_CONF'] = 'max_split_size_mb:128'
- 避免混合调用：不在同一进程内交替调用TF和PyTorch CUDA操作；优先拆分为两个独立进程，用文件或共享内存通信
- 检查真实显存占用用
nvidia-smi，而非仅依赖torch.cuda.memory_summary()
conda环境里混装TF和PyTorch引发CUDA版本冲突
错误典型表现：ImportError: libcudnn.so.8: cannot open shared object file 或 PyTorch报CUDA error: no kernel image is available。本质是conda自动安装的cudatoolkit版本与两个框架编译时绑定的CUDA/cuDNN版本不兼容。
librosa 是一个用于音频和音乐分析的 Python 库。它提供了特征提取、频谱分析、节拍跟踪、起始检测和音频可视化的工具，基于 NumPy 和 SciPy 构建，用于科学音频计算。
关键判断点：
- 运行
python -c "import torch; print(torch.version.cuda)"和python -c "import tensorflow as tf; print(tf.__version__); print(tf.test.is_built_with_cuda())"，对比输出的CUDA版本是否一致 - 不要用
conda install pytorch tensorflow一键安装——conda会选妥协版本，大概率不匹配 - 推荐做法：用
pip安装PyTorch（按官网命令指定CUDA版本），再用conda install tensorflow（或反之），并确保两者都指向系统已安装的CUDA驱动（如/usr/local/cuda-11.8）
多进程下GPU ID分配错乱导致显存争抢
当用torch.multiprocessing或tf.distribute.MirroredStrategy启动子进程时，若未显式指定GPU设备，所有子进程可能默认抢占cuda:0，造成显存叠加式占用。
必须做的两件事：
- PyTorch侧：每个worker启动前设
torch.cuda.set_device(rank)，其中rank来自mp.spawn或init_process_group分配 - TensorFlow侧：禁用自动设备选择，改用
tf.device('/GPU:1')硬编码（或通过os.environ['CUDA_VISIBLE_DEVICES']='1'预设） - 跨框架场景下，最稳方案是用
CUDA_VISIBLE_DEVICES做物理隔离：比如TF进程只看到GPU 0，PyTorch进程只看到GPU 1
TensorFlow和PyTorch共存不是“能不能”的问题，而是显存管理和CUDA上下文边界的问题。最容易被忽略的是：set_memory_growth必须在TF初始化早期调用，且nvidia-smi看到的显存占用才是唯一可信依据。
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！
