当你配置好CUDA、cuDNN、tensorflow，并且确保这三者之间的版本对应一致之后，你满怀希望的在终端中输入：
In[1] import tensorflow as tf
In[2] tf.test.is_gpu_available()
结果生活给了你当头一棒：
Out[2]: False
这个时候，不要惊慌，先想一想我上面说的CUDA、cuDNN和tensorflow的版本有没有对应一致，不知道版本对应关系的，可以进这个传送门：官方最新版本对应信息https://blog.csdn.net/flana/article/details/104768188 查看截止到2020年3月10日的官方最新的消息。（如果不对应的话，也可以通过修改lib里面的文件名来达到对应效果 但这种通过修改来达到目的的手段是不稳定的，最好的解决方法还是将三个工具的版本对应一致）
如果确定对应一致，而且环境变量也确认配置正确了，还是返回了False，那么请跟随一下步骤：
1、在桌面右击，打开Nvidia控制面板，若无Nvidia控制面板，则执行步骤2；若有，执行步骤3。
2、下载Nvidia Experience，默认选项安装（大概占用C盘4G容量）。安装完成后，执行步骤1.
3、打开系统信息。
4、查看CUDA的驱动版本，如果版本太低，到Nvidia Experience更新驱动程序。默认安装即可。
5、安装完之后，顺便把PhysX设置固定为独立显卡。
下面我们再次在终端输入：
In[3] import tensorflow as tf
In[4] tf.test.is_gpu_available()
经过大约10分钟的等待之后（时间由显卡的计算能力决定）
你将会感受到来自科学的甜美气息：
Out[4] True
下面我们就可以继续快乐的使用tensorflow-gpu啦
