我在Ubuntu 19.04笔记本电脑上使用pip install --user tensorflow-gpu设置了TensorFlow。像CUDA，CUDNN之类的所有依赖项均已安装并正常工作。但是仍然，当导入TensorFlow并检查tf.test.is_gpu_available()时，我的判断是False。我已尝试完全卸载并重新安装TensorFlow，但该方法无效。
tf.test.is_gpu_available()的输出：
2019-06-27 14：06：18.359739：我 tensorflow / core / platform / cpu_feature_guard.cc：142]您的CPU支持 TensorFlow二进制文件未编译使用的指令：AVX2 FMA 2019-06-27 14：06：18.611194：我 tensorflow / core / platform / profile_utils / cpu_utils.cc：94] CPU频率： 2194885000 Hz 2019-06-27 14：06：18.621295：我 tensorflow / compiler / xla / service / service.cc：168] XLA服务0x19d54e0 在平台主机上执行计算。设备：2019-06-27 14：06：18.621339：I tensorflow / compiler / xla / service / service.cc：175]
StreamExecutor设备（0）：，2019-06-27 14：06：18.742193：我 tensorflow / stream_executor / platform / default / dso_loader.cc：42] 成功打开动态库libcuda.so.1 2019-06-27 14：06：18.869601：我 tensorflow / stream_executor / cuda / cuda_gpu_executor.cc：1005]成功 从SysFS读取的NUMA节点的值为负（-1），但必须存在 至少一个NUMA节点，因此返回NUMA节点为零2019-06-27 14：06：18.870469：我 tensorflow / core / common_runtime / gpu / gpu_device.cc：1640]找到设备0 具有属性：名称：GeForce 920M主音：3小音：5 memoryClockRate（GHz）：0.954 pciBusID：0000：08：00.0 2019-06-27 14：06：18.870675：我 tensorflow / stream_executor / platform / default / dso_loader.cc：53]可以 不是dlopen库'libcudart.so.10.0'; dlerror：libcudart.so.10.0： 无法打开共享对象文件：没有这样的文件或目录； LD_LIBRARY_PATH：：/ usr / local / cuda / extras / CUPTI / lib64 2019-06-27 14：06：18.870812：我 tensorflow / stream_executor / platform / default / dso_loader.cc：53]可以 不是dlopen库'libcublas.so.10.0'; dlerror：libcublas.so.10.0： 无法打开共享对象文件：没有这样的文件或目录； LD_LIBRARY_PATH：：/ usr / local / cuda / extras / CUPTI / lib64 2019-06-27 14：06：18.870973：我 tensorflow / stream_executor / platform / default / dso_loader.cc：53]可以 不是dlopen库'libcufft.so.10.0'; dlerror：libcufft.so.10.0： 无法打开共享对象文件：没有这样的文件或目录； LD_LIBRARY_PATH：：/ usr / local / cuda / extras / CUPTI / lib64 2019-06-27 14：06：18.871111：我 tensorflow / stream_executor / platform / default / dso_loader.cc：53]可以 不是dlopen库'libcurand.so.10.0'; dlerror：libcurand.so.10.0： 无法打开共享对象文件：没有这样的文件或目录； LD_LIBRARY_PATH：：/ usr / local / cuda / extras / CUPTI / lib64 2019-06-27 14：06：18.871228：我 tensorflow / stream_executor / platform / default / dso_loader.cc：53]可以 不是dlopen库'libcusolver.so.10.0'; dlerror： libcusolver.so.10.0：无法打开共享库文件：无此文件或 目录; LD_LIBRARY_PATH ：： / usr / local / cuda / extras / CUPTI / lib64 2019-06-27 14：06：18.871352：我 tensorflow / stream_executor / platform / default / dso_loader.cc：53]可以 不是dlopen库'libcusparse.so.10.0'; dlerror： libcusparse.so.10.0：无法打开共享库文件：无此文件或 目录; LD_LIBRARY_PATH ：： / usr / local / cuda / extras / CUPTI / lib64 2019-06-27 14：06：20.233321：我 tensorflow / stream_executor / platform / default / dso_loader.cc：42] 成功打开动态库libcudnn.so.7 2019-06-27 14：06：20.233363：W tensorflow / core / common_runtime / gpu / gpu_device.cc：1663]无法dlopen 一些GPU库。跳过注册GPU设备... 2019-06-27 14：06：20.407248：我 tensorflow / core / common_runtime / gpu / gpu_device.cc：1181]设备 将StreamExecutor与强度1边缘矩阵互连：2019-06-27 14：06：20.407318：我 tensorflow / core / common_runtime / gpu / gpu_device.cc：1187] 0 2019-06-27 14：06：20.407351：我 tensorflow / core / common_runtime / gpu / gpu_device.cc：1200] 0：N 2019-06-27 14：06：20.441266：我 tensorflow / stream_executor / cuda / cuda_gpu_executor.cc：1005]成功 从SysFS读取的NUMA节点的值为负（-1），但必须存在 至少一个NUMA节点，因此返回NUMA节点为零2019-06-27 14：06：20.443613：I tensorflow / compiler / xla / service / service.cc：168] XLA 服务0x4ed6d40在CUDA平台上执行计算。设备： 2019-06-27 14：06：20.443670：我 tensorflow / compiler / xla / service / service.cc：175] StreamExecutor 设备（0）：GeForce 920M，计算能力3.5否
CUDA示例的deviceQuery输出：
CUDA设备查询（运行时API）版本（CUDART静态链接）
检测到1个支持CUDA的设备
设备0：“ GeForce 920M” CUDA驱动程序版本/运行时版本
10.1 / 10.1 CUDA功能主要/次要版本号：3.5全局内存总数：4046 MBytes（4242341888 字节）（2）多处理器，（192）CUDA内核/ MP：384 CUDA内核 GPU最大时钟频率：954 MHz（0.95 GHz）
内存时钟速率：900 Mhz内存总线 宽度：64位L2缓存大小：
524288字节最大纹理尺寸大小（x，y，z）
1D =（65536），2D =（65536、65536），3D =（4096、4096、4096）最大分层 1D纹理大小，（数量）层1D =（16384），最大2048层 分层的2D纹理大小，（num）层2D =（16384，16384），2048层 恒定内存总数：65536字节总计 每个块的共享内存量：49152字节 每个块可用的寄存器：65536翘曲尺寸：
每个多处理器32个线程的最大数量：最大2048个 每个块的线程数：1024的最大尺寸 线程块（x，y，z）：（1024、1024、64）网格的最大尺寸 大小（x，y，z）：（2147483647、65535、65535）最大内存间距：
2147483647字节纹理对齐：512 字节并发复制和内核执行：是，带1个副本 引擎在内核上的运行时间限制：是
集成GPU共享主机内存：不支持主机 页面锁定的内存映射：是对齐要求 表面：是设备具有ECC支持：
禁用的设备支持统一寻址（UVA）：是的设备 支持计算抢占：不支持合作 内核发布：不支持MultiDevice Co-op内核 启动：无设备PCI域ID /总线ID /位置ID：0/8 / 0计算模式： <默认（多个主机线程可以同时将:: cudaSetDevice（）与设备一起使用）>deviceQuery，CUDA驱动程序= CUDART，CUDA驱动程序版本= 10.1，CUDA 运行时版本= 10.1，NumDevs = 1结果= PASS
答案 0 :(得分：1)
我的特别问题是， TensorFlow 1.14.0 正在寻找 CUDA 10.0 二进制文件，而我只安装了 10.1 。由于某些原因，无法在我的 Ubuntu 19.04 上安装CUDA 10.0，所以我安装了 18.04 并遵循标准方法使 TF 与GPU配合使用（安装 CUDA 10.0 ，安装 CUDNN 等），一切正常。
此表显示了TF版本与所需的CUDA版本：https://www.tensorflow.org/install/source#linux
以下是TF的指示： https://www.tensorflow.org/install/gpu#ubuntu_1804_cuda_10
您也可以降级为TF 1.12（CUDA 9.0）：https://www.tensorflow.org/install/gpu#ubuntu_1604_cuda_90_for_tensorflow_1130
答案 1 :(得分：0)
您可能要使用Bazel或MYSYS进行构建。 tensorflow网站建议如何执行此操作。
https://www.tensorflow.org/install/source_windows
一旦先决条件安装完毕，请从github克隆tensorflow。
git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow
配置系统版本
python ./configure.py
bazel build --config=opt --config=cuda --define=no_tensorflow_py_deps=true //tensorflow/tools/pip_package:build_pip_package
--define=no_tensorflow_py_deps=true
然后构建并安装
bazel-bin\tensorflow\tools\pip_package\build_pip_package C:/tmp/tensorflow_pkg
pip3 install C:/tmp/tensorflow_pkg/tensorflow-version-cp36-cp36m-win_amd64.whl
答案 2 :(得分：0)
确保您的cuda版本与tensorflow匹配，此处可以找到更多详细信息：https://tensorflow.google.cn/install/source
答案 3 :(得分：0)
conda install -c anaconda tensorflow-gpu=1.14.0似乎安装了支持CUDA 10.1的Tensorflow 1.14.0。
更多详细信息，请参见here。