### 验证 TensorFlow-GPU 安装 为了确认 TensorFlow-GPU 是否已正确安装并能够正常使用，可以执行以下几种方法来验证： #### 方法一：通过 Python 解释器测试导入功能 启动 Python 解释器或 Jupyter Notebook 并尝试导入 `tensorflow` 库。如果没有任何错误消息，则表示基本环境配置正常。 ```python import tensorflow as tf print(tf.__version__) ``` 此操作会显示当前使用的 TensorFlow 版本号[^1]。 #### 方法二：检测 GPU 支持情况 进一步检查是否启用了 GPU 加速支持，可以通过下面这段代码来进行判断： ```python from tensorflow.python.client import device_lib local_device_protos = device_lib.list_local_devices() for x in local_device_protos: if x.device_type == 'GPU': print('Found GPU:', x.physical_device_desc) ``` 上述脚本遍历所有本地设备列表，并打印出任何被识别为 GPU 的硬件信息[^2]。 #### 方法三：运行简单模型训练过程 创建一个小规模的数据集并通过神经网络进行快速迭代训练也是一个有效的检验手段。这不仅测试了框架本身的功能性，还确保整个工作流都能顺利运作。 ```python mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10) ]) predictions = model(x_train[:1]).numpy() loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True) model.compile(optimizer='adam', loss=loss_fn, metrics=['accuracy']) model.fit(x=x_train, y=y_train, epochs=1) ``` 以上程序片段加载 MNIST 数据集并对图像分类任务进行了单轮次的学习。如果有 GPU 可用的话，应该可以看到明显的加速效果[^3]。 #### 方法四：核对依赖库版本兼容性 有时即使安装成功也可能因为其他包之间的冲突而导致无法正常使用。特别是像 NumPy 这样的基础科学计算库，其特定版本可能与某些 TensorFlow 发布版存在不匹配的情况。建议根据官方文档推荐的组合调整各组件版本以达到最佳协作状态[^4]。