一、错误描述

运行代码：

import tensorflow as tf out = tf.random.uniform([4, 10]) y = tf.constant([2, 3, 2, 0]) y = tf.one_hot(y, depth=10) loss = tf.keras.losses.mse(y, out) loss = tf.reduce_mean(loss) print(loss)

报错信息：

F .\tensorflow/core/kernels/random_op_gpu.h:232] Non-OK-status: GpuLaunchKernel(FillPhiloxRandomKernelLaunch, num_blocks, block_size, 0, d.stream(), gen, data, size, dist) status: Internal: no kernel image is available for execution on the device 主要集中在Internal处为报错原因。也就是 no kernel image is available for execution on the device。

运行环境

操作系统：Windows 10 GPU：GTX 850M（当时的强势显卡，现在的垃圾显卡），计算能力5.0 CUDA：驱动版本（Driver Version）11.0，运行版本（Runtime Version）10.1 （CUDA信息查看方式，命令行cd到cuda安装目录下的\extras\demo_suite目录，直接运行deviceQuery.exe即可，不要在文件夹内双击，显示信息第二行CUDA Capability Major/Minor version number为显卡的计算能力） python： 3.7.7 Tensorflow： 2.3.1

二、解决（仅windows下，其他系统不讨论，请阅读其他文章）

1、首先检查cuda安装条件、配置是否正确

1）确保安装的TensorFlow为GPU版本，即pip时，命令为pip install tensorflow-gpu

2）检查cuda版本与是否与cudnn版本匹配

3）检查cuda环境变量

4）命令行下运行python，检查是否加载GPU，在python内：

import tensorflow as tf tf.test.is_gpu_available()

运行完毕后最后一行显示True，则表示成功加载GPU，TensorFlow版本也为GPU版本。

5）在上一步输出结果中，查看是否出现dll文件not found，如果有，请阅读其他资料解决这个问题。

2、查阅到的普遍的解决方案，捡一些有实际意义的说

1）检查CUDA版本是否符合GPU显卡计算能力要求

如果第1小点里检查是否加载GPU那步，返回是True的话，也说明了计算能力符合要求。 如果不符合要求（显卡垃圾），请自觉降低cuda版本

2）检查硬件，必须为NVIDIA显卡（废话）

3）检查python版本，是否为3.6或3.7，目前TensorFlow不很支持3.8

4）修改Makefile文件

这条当没看见吧，属于面向cuda编程的范畴，或者手动编译TensorFlow，没什么用，跟TensorFlow没关系。

3、最终解决

查阅了n多资料，度娘也尽力了，在某论坛发现了一丝丝提示。

降低TensorFlow版本至2.2！

pip uninstall tensorflow-gpu pip install tensorflow-gpu==2.2

将TensorFlow版本降至2.2，这个错误就解决了，原因不明，治标不治本，对于对TensorFlow 2.3.1有需求的人就gg了，但基础学习来讲可以这么干。对于TensorFlow产生这个错误的说明度娘等搜索引擎相关资料基本没有，都是针对CUDA本身进行编程的还有关于pytorch的，不适合TensorFlow。 有猜测是因为2.3.1不太支持850m显卡。可能还是因为我显卡太菜了。