当我们把CUDA、cudnn、tensorflow-GPU都装好，但在tensorflow GPU测试tf.test.is_gpu_avaiable()却始终返回false，怎么办？

import tensorflow as tf
tf.test.is_gpu_available()

FALSE

可能的原因如下：
————————————————————————————————

1.CUDA、cudnn、Tensorflow、python版本并不配套！！！（大多都是这个原因）

查看tensorflow官网的版本要求：https://tensorflow.google.cn/install/source_windows（见【经过测试的构建配置】）

先查看目前能支持的最高的CUDA版本！
在安装之前可以在pytorch官网看一下能支持的的最高的CUDA版本，尽量与tensorflow共用CUDA。https://pytorch.org/

请仔细核对你的版本是否符合要求。
eg：我的环境配置：

• python： 3.7.1
• CUDA：10.0.132
• cudnn：V7.4.1.5（根据cuda版本和tf版本来选）
• tensorflow-gpu-2.0.0

重要补充：CUDA环境升级教程----------------------

CUDA驱动版本是向下兼容的，所以保持最新就没事，也就是驱动版本可以高于CUDA版本。
卸载和重装CUDA教程：
https://blog.csdn.net/weixin_44606139/article/details/127493438

同一台电脑，我将CUDA从10升级到了11.0，此时我就可以用更高的python版本和tensorflow版本、pytorch版本，给一个版本配套的配置：

• python：3.8

• cuda：11.0，能够同时满足tensorfow和pytorch的是CUDA11.0

• cudnn：8.0

• tensorflow-GPU：2.4.0
  

• pytorch：1.7.1

2.CUDA没有装好：

验证方式一：nvcc -V

正确输出版本表示成功，否则没装好。

验证方式二：运行demo

打开 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite

（若是自定义安装，则换成相对应的路径）

在此路径下打开powershell

执行：.\bandwidthTest.exe

输出如图，表示CUDA安装成功，否则CUDA没装好

若CUDA可运行，且版本没问题，那么可能是一下的原因：

3.环境变量没配置好

参考这里：https://blog.csdn.net/u010618587/article/details/82940528?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

4.NVDIA驱动版本太低不合要求

参考：https://blog.csdn.net/flana/article/details/104772614

可以尝试更新一下NVDIA驱动，看是否成功。不成功也没有影响。

5.以前的tensorflow没有卸载干净

这个也是有可能的，若是以前安装过tensorflow其它版本，如CPU版本，一定要卸载干净后再装新的版本！

看写没卸载干净，

方式一：pip list 看是否有带tensorflow名称的库

方式二：到对应的文件夹下看，eg：Anaconda就到Anaconda3\Lib\site-packages的目录下看是否还有tensorflow相关的文件夹

有的话用pip uninstall的方式卸载掉

6.装了多个Tensorflow或Python（少见，但我就是这个原因！！！）

同一台电脑中装了多个python，在一个python中装了tensorflow，但在pycharm中调用Interpreter时又没有选对对应的装了tensorflow的python环境。
比如：我有一个直接通过python安装包安装的python环境（图中的Python3.7，称为A），还有一个anaconda自带的python环境（图中的Python3.7（2），称为B），我在A环境下装了tensorflow-CPU，另外在B环境下又直接装了一个tensorflow-CPU，此时两套是独立的，两套环境都可以在Pycharm调用和切换。

然后我想把B环境下的tensorflow换成GPU版本，装好了，然后在Pycharm中运行测试程序或其它程序时，没有将Interpreter切换到对应的B环境，此时相当于还是在用A环境下的tensorflow-CPU，所以始终FALSE。（因为环境装了太久，自己都忘了）

然后通过检查查看tensorflow运行时的版本和路径，才发现了这个问题。此时将Interpreter切换到B环境下，问题解决。
多说一句：这个本质原因不是同时装了多个tensorflow的问题，而是多个python环境在执行程序时没有选择正确。

这里给一个完整的验证tensorflow-GPU是否可用的程序：

import tensorflow as tf

print(tf.__version__)  # 查看tensorflow版本
print(tf.__path__)     # 查看tensorflow安装路径

a = tf.test.is_built_with_cuda()  # 判断CUDA是否可以用
b = tf.test.is_gpu_available(
    cuda_only=False,
    min_cuda_compute_capability=None
)  # 判断GPU是否可以用

print(a) # 显示True表示CUDA可用
print(b) # 显示True表示GPU可用

# 查看驱动名称
if tf.test.gpu_device_name():
    print('Default GPU Device: {}'.format(tf.test.gpu_device_name()))
else:
    print("Please install GPU version of TF")

网上看了那么多，我可能是第一个提醒：在验证tensorflow-GPU是否可用前，先查看一下tensorflow版本和安装路径。

——————————————补充——————————————————

其它问题

1.VS20XX，如VS2017必须要装吗？

不用，虽然tensorflow官网也有说让装，其实可以不用装，VS2017是用于编译tensorflow的，我们直接用编译好的，就不用装它。

2.CUDA是精简安装还是自定义安装？

推荐自定义安装，可以选择安装路径，教程如下：

https://blog.csdn.net/u010618587/article/details/82940528?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

3.CUDA Driver Version / Runtime Version不一致有没有问题？

只要CUDA Driver Version > Runtime Version就没有问题。

我把NVDIA Driver（不是CUDA）升级了，结果GPU还是可以用。

如何查看这两个的版本：

4.为什么tensorflow的GPU运算比CPU还慢？

参考：https://www.cnblogs.com/liuhuacai/p/12328020.html

结论：1.在计算量较小的情况下，cpu的计算速度比gpu计算速度快，但是都是微量级别的差异

2.随着计算量的增加，cpu的计算时间逐步增加，而gpu的计算时间相对平缓，在计算量达到一定程度之后，gpu的优势就出来了。

5.如何看GPU是否运行？

最简单的就是直接在任务管理器-性能中查看。在进程里可以看到哪些程序在使用GPU。

6.GPU运行报错：Resource exhausted: OOM when allocating tensor with shape

参考：https://www.jianshu.com/p/f29dbb13bb07
OOM表示分配的显存超过GPU可用的最大显存，显存不足（OOM, Out of Memory)
可能的原因：
（1）batchsize太大，这种只需要将batchsize减小就行了，比如从1开始
（2）GPU的显存太小，或者剩余的显存太少了

7.测试代码的报错分析

这是一个朋友运行测试代码后的报错情况，若是你也遇到这样的问题，那么可以仔细分析看一下报错中的第2、3行，主要问题在于“cudnn64_8.dll not found”，你可以在电脑中搜索一下是否存在这个文件，若没有，一个简单的办法就是去下载对应的文件，然后放到指定的目录中，具体可以参考：https://blog.csdn.net/a1456123a/article/details/115098630；若有，那么可能是路径不正确或其他的问题。