nvidia-smi命令找不到或无输出，说明nvidia驱动未安装、安装失败或未重启生效，这是gpu环境最底层的失败信号；必须在宿主机终端（非docker、非wsl2内部）运行验证，linux需下载匹配驱动并sudo reboot，windows需确认设备管理器显示正确型号而非“基本显示适配器”。
nvidia-smi 命令找不到或无输出，说明 NVIDIA 驱动压根没装、安装失败，或没重启生效——这是整个链路最底层的失败信号。PyTorch 或 TensorFlow 后续所有检查都无意义。
为什么 nvidia-smi 找不到？
常见错误现象：bash: nvidia-smi: command not found，或执行后空白、卡住、提示 No devices were found。
- 必须在宿主机终端运行（不是 Docker 容器、不是 WSL2 子系统内部）
- Linux 用户：去 NVIDIA 官网下载匹配显卡型号和系统的驱动（2026 年推荐 ≥535.x），安装后务必执行
sudo reboot—— 驱动模块需内核重载 - Windows 用户：安装完也建议重启；若设备管理器中显示“Microsoft 基本显示适配器”，说明驱动未生效，需用 DDU 彻底卸载后重装
- 笔记本用户请进 BIOS 确认独显未被禁用；服务器用户需确认 PCIe 槽位供电达标
tf.config.experimental.list_physical_devices('GPU') 返回空列表
说明驱动已就绪，但 TensorFlow 无法链接 CUDA/cuDNN 库。关键不是 nvcc --version，而是 nvidia-smi 右上角显示的 CUDA Version: X.Y —— 它代表当前驱动能支持的最高 CUDA 运行时版本。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
- Windows 用户：TensorFlow ≥ 2.11.0 官方已移除 GPU 支持，必须降级到
tensorflow==2.10.0 - 该版本不自带 cuDNN，需手动将 cuDNN 的
bin目录加入系统PATH（例如cudnn-11.2-windows-x64-v8.9.7.29\cuda\bin） - Linux/WSL2 用户：需严格匹配版本（如 TF 2.13 对应 CUDA 12.2 + cuDNN 8.9），并确保
LD_LIBRARY_PATH指向 conda 或虚拟环境中的库路径（echo $LD_LIBRARY_PATH验证） - 别跳过“重启终端”这步 —— PATH 变更不会热加载到已有进程
WSL2 或 Docker 中 GPU 不可见
WSL2 本身不直连 GPU，依赖 Windows 宿主机驱动透传；Docker 容器则依赖 --gpus all 和设备节点挂载。两者都容易漏掉关键启动参数。
- WSL2：Windows 端驱动必须 ≥470.14，且执行
wsl --update --web-download+wsl --shutdown；然后在 WSL2 中运行nvidia-smi成功，才可继续装 TensorFlow - Docker：启动容器时必须加
--gpus all，不能只靠LD_LIBRARY_PATH或CUDA_HOME；宿主机的/dev/nvidiactl、/dev/nvidia-uvm、/dev/nvidia0必须被正确挂载 - 验证是否生效：进容器后先运行
nvidia-smi，再运行 Python 检查tf.config.experimental.list_physical_devices('GPU')
最容易被忽略的是：驱动版本与 CUDA 运行时版本的隐式约束关系 —— nvidia-smi 显示的 CUDA Version 是上限，不是你装了什么就一定能跑什么；而 TensorFlow 官方 wheel 包只绑定特定 CUDA 构建版本（比如 cu112、cu121），二者错配就会静默失败，不报错也不识别 GPU。
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！
