配置TensorFlow GPU环境，听起来是个技术活，但其实只要抓住几个关键点，就能避免踩坑。先说几个核心判断：显卡驱动必须够新，CUDA和cuDNN版本必须严格匹配，安装方式也要选对。下面我们一步步来看。
确认显卡驱动是否支持目标CUDA版本
GPU环境配置第一个要确认的，是显卡驱动版本。TensorFlow对驱动的依赖其实很直接：驱动版本必须高于CUDA要求的最低门槛。比如TensorFlow 2.10要求CUDA 11.2 + cuDNN 8.1，而CUDA 11.2官方最低驱动版本是460.27。用nvidia-smi看到的驱动版本号（右上角）必须≥这个值，否则哪怕装了CUDA，也会在import tensorflow时报Failed to load libcuda.so或直接段错误。
- 运行
nvidia-smi，记下“CUDA Version”右侧显示的数字——这只是驱动能支持的最高CUDA版本，不代表已安装CUDA - 如果驱动太旧，必须先升级驱动，不能跳过；Ubuntu上推荐用
sudo apt install nvidia-driver-535（以实际兼容版本为准） - Windows用户注意：NVIDIA控制面板里看到的驱动版本 ≠
nvidia-smi输出，以后者为准
CUDA与cuDNN版本必须严格匹配TensorFlow发行版
TensorFlow不支持“最新CUDA配最新cuDNN”这种操作。它只认自己编译时用的那套组合。查官方文档的GPU support表格比猜靠谱得多。举个例子：
- TensorFlow 2.13 → CUDA 11.8 + cuDNN 8.6
- TensorFlow 2.10 → CUDA 11.2 + cuDNN 8.1（最后支持Python 3.7–3.10的版本）
- TensorFlow 2.15+ → 默认只支持CUDA 12.x，且需cuDNN 8.9+
装错组合最常见报错：ImportError: libcudnn.so.X: cannot open shared object file（Linux）或Windows下找不到cudnn64_X.dll。别急着重装，先用ls -l /usr/lib/x86_64-linux-gnu/ | grep cudnn（Linux）或where cudnn64_8.dll（Windows）确认文件是否存在、路径是否被加入LD_LIBRARY_PATH/PATH。
Python环境里不要用pip install tensorflow直接装GPU版
从PyPI直接pip install tensorflow在2.10之后默认安装的是CPU-only版本（tensorflow-cpu）。GPU支持已拆成独立包，且命名规则变了：
- TensorFlow ≥ 2.10：用
pip install tensorflow[and-cuda]（自动拉取对应CUDA/cuDNN二进制） tensorflow-gpu包已于2.10废弃- conda用户更稳妥：用
conda install tensorflow-gpu（conda会自动解决CUDA依赖链）
验证是否生效：启动Python后运行
import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))
输出非空列表才算成功。如果返回空，常见原因是CUDA路径没被识别，可手动加环境变量：export LD_LIBRARY_PATH=/usr/local/cuda-11.2/lib64:$LD_LIBRARY_PATH（Linux）或把cudnn64_8.dll所在目录加进PATH（Windows）。
多CUDA版本共存时，TensorFlow只认/usr/local/cuda软链接
系统里装了CUDA 11.2和12.1，但/usr/local/cuda指向12.1，而你装的是适配11.2的TensorFlow——这时候会静默失败，list_physical_devices('GPU')返回空，且无明显报错。
- 检查软链接：
ls -l /usr/local/cuda，它应指向你实际要使用的CUDA根目录（如cuda-11.2） - 修改方式：
sudo rm /usr/local/cuda && sudo ln -s /usr/local/cuda-11.2 /usr/local/cuda - Windows用户注意：
CUDA_PATH环境变量也必须指向正确版本，否则nvcc --version和TensorFlow看到的可能是不同CUDA
这个软链接问题最容易被忽略，尤其在反复折腾环境后，它不会报错，只会让GPU“假装不存在”。
