TensorFlow 2.10起GPU支持已内置，无需tensorflow-gpu；需CUDA 11.2+/cuDNN 8.1+、驱动≥450.80.02、显卡Compute Capability≥3.5；推荐conda管理依赖，pip装官方tensorflow，并严格匹配版本组合验证GPU识别。
直接装 tensorflow-gpu 已失效——TensorFlow 2.10 起官方彻底移除了独立的 GPU 包，GPU 支持已内置到 tensorflow 主包中，且仅支持 CUDA 11.2+ 和 cuDNN 8.1+。
确认你的显卡和驱动是否满足最低门槛
不是所有 NVIDIA 显卡都能跑新版 TensorFlow。必须满足：
-
nvidia-smi能正常输出，且驱动版本 ≥ 450.80.02（对应 CUDA 11.0+） - GPU 的
Compute Capability≥ 3.5（GTX 600 系列起基本达标，但 GTX 750 Ti 及更老型号需查证） - 运行
nvidia-smi时不能报NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver—— 这说明驱动根本没生效，后续全白搭
用 conda 创建隔离环境并指定 CUDA/cuDNN 版本
别用 pip 直接装 tensorflow，它不带 CUDA 运行时，GPU 会静默降级到 CPU 模式。正确做法是让 conda 统一管理底层依赖：
- 先创建环境：
conda create -n tf212 python=3.9（TensorFlow 2.12 官方推荐 Python 3.9） - 激活后安装配套工具链：
conda install cudatoolkit=11.8 cudnn=8.6 -c conda-forge（注意：CUDA 版本必须与你系统中/usr/local/cuda软链接指向一致，否则tf.config.list_physical_devices("GPU")返回空列表） - 再装 TensorFlow：
pip install tensorflow==2.12.0（不要加-gpu后缀，也不要用conda install tensorflow，后者可能拉低版本或混入非官方构建）
验证 GPU 是否真被识别，而不是“假装在跑”
常见假成功现象：代码能跑、没报错、tf.test.is_built_with_cuda() 返回 True，但 tf.config.list_physical_devices("GPU") 是空列表，或训练时 nvidia-smi 显示显存占用为 0MB。
- 检查 CUDA 路径是否被正确加载：
echo $LD_LIBRARY_PATH应包含/usr/local/cuda-11.8/lib64（或你实际安装的版本路径） - 运行
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"—— 必须看到类似[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]才算真正就绪 - 如果返回空列表，优先检查
libcudnn.so.8是否在LD_LIBRARY_PATH对应目录下存在；用find /usr -name "libcudnn.so.8" 2>/dev/null确认
为什么你装的版本总和文档对不上？
TensorFlow 官方只保证特定组合能工作，比如：
-
tensorflow==2.12.0→ 要求cudatoolkit=11.8+cudnn=8.6 -
tensorflow==2.15.0→ 要求cudatoolkit=11.8+cudnn=8.6（注意：2.15 不支持 CUDA 12.x） -
tensorflow==2.16.0+→ 强制要求cudatoolkit=12.2+cudnn=8.9，且仅支持 Ubuntu 22.04+ 和较新驱动
版本错配最典型表现是 import 成功但 tf.function 编译失败，或报 Failed to get convolution algorithm 错误。这时候别调代码，先核对三者版本号是否在 官方兼容表 里严格匹配。
