Python中如何解决TensorFlow在Docker中无法调用GPU-Python教程-PHP中文网

先确认宿主机nvidia-smi能输出gpu信息且nvidia-container-toolkit已注册为默认runtime，再用--gpus参数运行官方-gpu镜像；进容器后执行tf.config.list_physical_devices('gpu')验证，空列表说明gpu未透传成功。

python中如何解决tensorflow在docker中无法调用gpu

确认宿主机NVIDIA驱动和nvidia-container-toolkit是否就绪

TensorFlow在Docker里用不了GPU，90%的情况不是代码问题，而是容器根本没拿到GPU设备权限。先别急着改docker run参数，先看宿主机基础环境：

nvidia-smi必须能正常输出GPU信息（说明驱动已装好）
nvidia-container-toolkit必须已安装并注册为默认runtime（检查/etc/docker/daemon.json里是否有"default-runtime": "nvidia"或"runtimes": {"nvidia": ...}）
重启Docker服务：sudo systemctl restart docker（改完daemon.json后这步不能跳）

使用--gpus参数启动容器，而非--runtime=nvidia

旧版Docker用--runtime=nvidia，但19.03+已废弃，强行用会静默失败。正确方式是显式指定--gpus：

所有GPU：docker run --gpus all -it tensorflow/tensorflow:2.15.0-gpu
指定某张卡：docker run --gpus device=0,2 -it ...
限制显存（需配合TensorFlow代码中tf.config.set_memory_growth）：docker run --gpus '"device=0,capabilities=compute,utility"' ...
如果报错unknown flag: --gpus，说明Docker版本太低，升级到19.03+

验证TensorFlow是否真识别到GPU设备

进容器后别只信nvidia-smi，要让TensorFlow自己说话：

python-script-generator

快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。

下载

import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))
print(tf.config.list_physical_devices('GPU'))

输出[]？说明GPU没透传成功，回退检查前两步
输出非空但训练仍用CPU？检查TensorFlow镜像是否带-gpu后缀（tensorflow/tensorflow:2.15.0是CPU版，tensorflow/tensorflow:2.15.0-gpu才是GPU版）
遇到Failed to get convolution algorithm？通常是cuDNN版本不匹配，优先用官方GPU镜像，别自己装CUDA

PyTorch用户误用TensorFlow镜像的典型陷阱

很多人搜“Docker GPU”顺手拉了pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime，然后在里面pip install tensorflow——这会导致CUDA运行时冲突，tf.test.is_gpu_available()返回False，且无明确报错。