Python Tensorflow gpu 2.3.1无法访问NVIDIA GeForce MX150的gpu

我在Windows10中安装了CPU和GPU版本的tensorflow

conda list t.*flow
# packages in environment at C:\Users\Dell\anaconda4:
#
# Name                    Version                   Build  Channel
tensorflow                2.3.1                    pypi_0    pypi
tensorflow-estimator      2.3.0                    pypi_0    pypi
tensorflow-gpu            2.3.1                    pypi_0    pypi
tensorflow-gpu-estimator  2.3.0                    pypi_0    pypi

此外，我已经按照此链接中的步骤安装了CUDA和cuDNN。唯一的区别是，我下载了CUDA和cuDNN的最新版本，以符合tensorflow 2.3.1的要求，但我仍然无法访问我的GPU，它是NVIDIA GeForce MX150

import tensorflow as tf
tf.test.is_built_with_cuda()

返回True

tf.test.is_gpu_available(cuda_only=False, min_cuda_compute_capability=None)

输出：

警告：tensorflow:From:1:U gpu是否可用（来自tensorflow.python.framework.test\u util）已被弃用，并将在将来的版本中删除。 更新说明： 使用

tf.config.list\u物理设备（'GPU'）

假的

---

关于tensorflow 2.3.1无法访问/找到GPU的原因有何想法？请帮助我解决此问题。

您显示

tf.test.is\u gpu\u可用的警告已被弃用。如果您在此处访问tensorflow文档：
. 文档中提到，这种检查GPU访问权限的方法已被弃用

您应该使用
tf.config.experimental.list\u物理设备（“GPU”）
。
更准确地说，请使用以下命令：

import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

如果您有一个GPU，您的预期输出应如下所示：

# Num GPUs Available:  1

我相信
tensorflow gpu
不需要
tensorflow
才能工作，并且通过安装这两个gpu，您可能正在导入cpu版本

首先卸载标准的tensorflow，看看是否可以修复

NVIDIA GeForce MX150确实支持CUDA，但与tensorflow、CUDA和CUDNN的最新版本可能仍存在兼容性问题

讨论要求与CUDA 9.1和CUDNN 7.0.5进行工作组合。我的建议是删除已安装的版本并尝试这些版本，尽管这可能需要降低tensorflow gpu的级别以使其兼容。
运行示例程序时tensorflow日志的完整输出是什么？我尝试卸载tensorflow，但输出仍然相同。tensorflow gpu找不到gpu。你对如何解决这个问题有什么建议吗？你的GPU肯定在卡片列表中吗？我的GPU型号是NVIDIA GeForce MX150。它不在您共享的列表中，但是，MX150支持CUDA，您可以在docker环境中运行以避免所有这些。是的，应该没问题。但我可以从经验中告诉你，找到驱动程序、cuda工具包、cud nn、tensorflow和python的有效组合通常是一件痛苦的事情，仅仅因为它应该工作并不意味着它会工作。您似乎并不孤单，而且在《人物》杂志上，CUDA 9.1和CUDNN 7.0.5似乎都取得了成功。我的建议是删除已安装的版本并尝试这些，尽管这可能需要降低tensorflow gpu的级别以使其兼容。