tensorflow2.18怎么调动gpu

### 如何在 TensorFlow 2.18 中配置和使用 GPU

#### 创建独立的 Conda 环境并安装依赖项
为了确保环境干净无冲突，建议创建一个新的 Conda 虚拟环境来专门用于 TensorFlow 的 GPU 版本。

conda create -n tensorflow-gpu python=3.8
conda activate tensorflow-gpu

#### 安装 CUDA 和 cuDNN 支持
对于 TensorFlow 2.18 来说，推荐使用的 CUDA 工具包版本为 11.2 或更高版本。这可以通过 NVIDIA 提供的官方驱动程序进行安装[^1]。

#### 配置 CMake 及其他编译选项
如果是在特定硬件平台如 Jetson 上部署，则可能需要更新到较新的 CMake 版本来满足构建需求：

# 升级CMake至指定版本
wget https://github.com/Kitware/CMake/releases/download/v3.21.0/cmake-3.21.0.tar.gz
tar xf cmake-3.21.0.tar.gz
cd cmake-3.21.0/
./bootstrap && make -j$(nproc) && sudo make install
cmake --version

#### 使用 Pip 安装 TensorFlow GPU 版本
一旦上述准备工作完成，就可以通过 pip 命令直接安装 TensorFlow 的 GPU 加速版：

pip install tensorflow==2.18.0

注意，在 TensorFlow 2.x 版本中不再区分 CPU 和 GPU 的安装包名称；只需按照常规方式安装即可自动适配当前系统的 GPU 设备情况[^4]。

#### 测试 GPU 是否被正确识别和支持
最后一步是验证 TensorFlow 是否能够检测到可用的 GPU 并正常工作。可以在 Python 解释器内执行如下代码片段来进行测试：

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

这段脚本会打印出系统中存在的 GPU 数量，如果有任何数量大于零的结果返回则说明配置成功[^3]。