Jupyter Notebook 配置 TensorFlow GPU 环境怎么验证

在 Jupyter Notebook 中验证 TensorFlow 是否启用 GPU，最稳妥的方式是结合系统级驱动检查与 TensorFlow 内置 API 进行双重确认，确保内核环境与底层驱动匹配。

先说结论：验证过程需要分层进行，先看显卡驱动状态，再在 Notebook 内核中调用 TensorFlow 接口查看设备列表。

适合：已完成 CUDA 和 TensorFlow 安装，需要确认 Jupyter 是否调用到显卡的场景
先准备：确认系统终端能识别显卡，且 Jupyter 内核指向正确的 Python 环境
验收：TensorFlow 列出物理 GPU 设备，且能成功执行简单的矩阵运算

快速验证代码

在 Jupyter 单元格中直接运行以下 Python 代码，若输出包含 GPU 信息则代表配置生效：

import tensorflow as tf
print("TensorFlow version:", tf.__version__)
print("GPU Devices:", tf.config.list_physical_devices('GPU'))

在系统终端（非 Notebook）运行以下命令检查驱动状态：

nvidia-smi

依赖链路与原理

TensorFlow 能否使用 GPU 取决于软件栈的完整链路：操作系统需要正确安装 NVIDIA 驱动，Python 环境需要匹配版本的 CUDA Toolkit 和 cuDNN，最后 TensorFlow 包本身需要编译支持 GPU。Jupyter Notebook 只是一个前端界面，它背后的 Python 内核（Kernel）才是执行代码的地方。很多时候配置无效，是因为 Jupyter 启动时加载的是默认环境的 Python，而不是你安装了 GPU 版 TensorFlow 的那个虚拟环境。

环境配置与内核注册

第一步：系统层检查

Jupyter Notebook 配置 TensorFlow GPU 环境怎么验证

打开系统终端（Linux/macOS 的 Terminal 或 Windows 的 PowerShell），输入nvidia-smi。如果能看到显卡型号、驱动版本和显存使用情况，说明底层驱动正常。如果命令不存在或报错，需要先安装 NVIDIA 驱动。

第二步：确认 Python 环境

在终端中激活你安装 TensorFlow 的环境（例如 conda 环境），运行python -c "import tensorflow as tf; print(tf.__version__)"。确保这里能导入 TensorFlow 且没有报错。

第三步：注册 Jupyter 内核

如果 Jupyter 列表中没有对应环境的内核，需要在激活该环境后运行：python -m ipykernel install `--user` `--name` my_gpu_env。重启 Jupyter 后，在界面右上角切换 Kernel 为刚才注册的名字。

第四步：代码层验证

在 Notebook 中运行速用版代码。注意 TensorFlow 2.x 默认 eager 执行，不需要会话，直接查看设备列表即可。

深度验证与显存监控

成功的标志是tf.config.list_physical_devices('GPU')返回一个非空列表，例如[PhysicalDevice(name='/physical_device:GPU:0', ...)]。如果返回空列表[]，说明 TensorFlow 没有检测到 GPU。

进一步验证，可以手动指定设备运行一个计算任务：

with tf.device('/GPU:0'):
    a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
    b = tf.constant([[1.0, 1.0], [0.0, 1.0]])
    c = tf.matmul(a, b)
print(c)

如果代码运行且不报错，同时终端里nvidia-smi显示的显存占用有轻微上升，则确认为 GPU 加速生效。

高频问题排查

1. 内核不匹配：这是最常见的问题。Jupyter 界面显示的 Python 版本和你安装 TF 的环境不一致。务必在 Notebook 界面检查当前 Kernel 名称。

2. CUDA 版本不兼容：TensorFlow 对 CUDA 版本有严格要求。例如 TensorFlow 2.10 原生支持 Windows GPU，而更高版本在 Windows 上可能需要 WSL2。建议参考官方兼容性矩阵。

3. 显存被占用：如果其他进程占用了显存，TensorFlow 可能无法初始化 GPU 上下文。运行验证前尽量关闭其他深度学习任务。

4. 笔记本电脑双显卡：部分笔记本有集成显卡和独立显卡，系统可能默认使用集显。需要在 NVIDIA 控制面板中设置 Python 解释器使用高性能 NVIDIA 处理器。

参考来源

TensorFlow Official Documentation, "Install TensorFlow with pip", https://www.tensorflow.org/install/pip
NVIDIA Developer, "NVIDIA System Management Interface", https://developer.nvidia.com/nvidia-system-management-interface