检查方法

  运行以下python代码

import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus, cpus)

 如果运行结果为

[] [PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')]

那么恭喜，说明你的tf仅仅是检测不到GPU设备，CPU设备还是能够检查到的。


  但是，好像从某个版本开始，tf就不区分CPU版和GPU版了，所以这个问题通过 install tensorflow-gpu 解决的方法已经过时了。


解决方法

  整个解决思路也是看了别的大佬的文章整理的1 2，这里我直接给出结论：大概率是tensorflow的版本安装得太高了，将版本降到2.10.0，并且将CUDA和cudnn的版本对齐（高了的话记得先卸载干净），我将我对齐的版本贴上。


版本列表

  这里我只给出对应版本和查看方法，具体安装教程直接找有很多，我就不赘述了。


tensorflow==2.10.0

  用命令行指令查看版本

pip show tensorflow

在这里插入图片描述


CUDA==11.2

  用命令行指令查看版本

nvcc -V

在这里插入图片描述


cudnn==8.1.1

  到CUDA安装路径下的include文件夹中（以我的举例，C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\include），找到cudnn_version.h文件，右键 -> 编辑 找到以下三行查看版本

在这里插入图片描述


结果

  再次检查，输出变为

[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')] [PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')]

则代表成功。

  在keras项目开头加上

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"

训练速度直接翻了三倍