在python环境下执行下列代码
tf.config.experimental.list_physical_devices(device_type='GPU')返回的结果是一个空列表，说明检测不到GPU。
去Tensorflow官网，发现显卡需要支持CUDA才行。
网上查找资料后发现，原因是我的笔记本电脑的显卡是GTX 1050，不支持CUDA
（截图没有截全）
（官网查询:https://developer.nvidia.com/cuda-gpus）
笔记本版的GTX1050不支持CUDA，但是桌面版的支持。
所以，我的笔记本上的Tensorflow用不了GPU。。。
剧情出现反转，
虽然官网上的CUDA支持列表上没有笔记本版的GTX1050。但是通过英伟达的控制面板里可以看到有CUDA核心数，
并且网上也有人说能用，我就装了一下试试。结果成功了。
我用tensorflow可以调用GPU进行运算了。
输入：
tf.config.experimental.list_physical_devices(device_type='GPU')返回：
这里说一下注意事项吧，
先去Tensor flow的官网看一下GPU支持的要求：
（这里只说Tensor flow2.0之后的版本，2.0之前的没用过不太清楚）
首先你的显卡支持CUDA（鉴于英伟达官网有点坑，可以去英伟达控制面板查看是否支持CUDA，不过这个方法不知道可靠性如何）
也就是Tensorflow要用2.1.0及以上版本，CUDA要用10.1版本，显卡驱动要418.x及以上版本，并且要安装对应的cuDNN。
说一下我的配置：Win10系统下，Tensoflow2.3.0 +CUDA10.1+cuDNN+visual studio 2019
(cuDNN要选择与CUDA对应的版本。visual studio要提前安装，应该是用来编译ｃｕｄａ程序的)
（我之前用的Tensorflow2.0.0版本，但是检测不到GPU，后来更新到2.3.0就好了。）
具体的安装操作，网上有很多帖子，不做赘述。。。
最后说一下，为什么要用GPU，
在Tensorflow的环境下，用CPU和GPU运行两段相同张量运算程序，耗时如下：
加大运算量：
这运行时间差了不是一两倍的问题啊！
