### TensorFlow CPU和GPU版本共存的可能性 通常情况下，不需要单独安装TensorFlow的CPU和GPU两个不同版本。官方建议直接安装支持GPU的TensorFlow版本即可[^1]。这是因为TensorFlow-GPU版不仅能够自动识别并利用可用的NVIDIA GPU来加速运算，在缺少合适GPU设备或驱动程序的情况下也会退化到仅使用CPU执行任务。 如果确实出于某些特殊需求想要在同一环境中同时存在针对特定场景优化过的独立CPU/GPU库文件，则需要注意可能会遇到冲突问题以及更复杂的依赖管理挑战。一般推荐通过创建不同的Python虚拟环境分别隔离这两个版本的应用实例： ```bash # 创建新的虚拟环境用于CPU-only模式下的项目 python -m venv tf_cpu_env # 激活该环境后安装不带GPU支持的基础包 source tf_cpu_env/bin/activate # Linux 或 macOS下激活命令 pip install tensorflow-cpu # 安装只含CPU支持的TF版本 # 对于需要GPU加速的工作负载则另建新环境 deactivate # 切换回全局解释器前先退出当前venv python -m venv tf_gpu_env # 建立第二个专供GPU使用的环境空间 source tf_gpu_env/bin/activate # 启动这个专门面向GPU应用的新shell session pip install tensorflow # 默认即为包含GPU功能完整的发行版 ``` 对于已经完成上述任一方式部署之后如何确认具体加载的是哪个实现形式，可以通过如下简单的测试脚本来判断正在运行中的会话究竟是在调用硬件加速特性还是纯软件模拟路径： ```python import tensorflow as tf print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU'))) if tf.test.is_built_with_cuda(): print("Built with CUDA support.") else: print("Not built with CUDA support.") tf.debugging.set_log_device_placement(True) @tf.function def test_addition(a, b): c = a + b return c with tf.device('/GPU:0'): result = test_addition(1., 2.) print(f"Result of addition on GPU is {result}") try: with tf.device("/device:XLA_GPU:0"): _ = test_addition(1., 2.) # 尝试XLA编译后的性能增强型内核 except RuntimeError as e: print(e) finally: print("\nFinished testing device placement and operation execution.\n") ```