使用 GPU 跑 TensorFlow 的除錯流程：版本、CUDA 與 zlibwapi.dll

如何準備一個最小 TensorFlow GPU 測試程式？

TensorFlow GPU 除錯應先從最小可重現範例開始。Fashion MNIST 分類模型足夠簡單，可以快速判斷環境是否能正常訓練。

我使用 TensorFlow 官方 Keras classification 教學作為測試起點（TensorFlow，官方教學）。核心流程是載入 Fashion MNIST、建立 Sequential 模型、轉成 tf.data.Dataset，再執行 5 個 epochs。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import time

print(tf.__version__)
fashion_mnist = tf.keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10)
])

train_images_tensor = tf.convert_to_tensor(train_images, dtype=tf.float32)
train_labels_tensor = tf.convert_to_tensor(train_labels, dtype=tf.int64)
train_ds = tf.data.Dataset.from_tensor_slices((train_images_tensor, train_labels_tensor))

def configure_for_performance(ds):
    ds = ds.cache()
    ds = ds.shuffle(buffer_size=1000)
    ds = ds.batch(32)
    ds = ds.prefetch(buffer_size=tf.data.AUTOTUNE)
    return ds

train_ds = configure_for_performance(train_ds)

model.compile(
    optimizer='adam',
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=['accuracy']
)

print(time.strftime("%Y-%m-%d_%H-%M-%S"))
model.fit(train_ds, epochs=5, batch_size=32)
print(time.strftime("%Y-%m-%d_%H-%M-%S"))

test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

先用固定範例測環境，比一邊寫模型一邊猜 GPU 問題穩定很多。

TensorFlow 版本過舊會出現什麼錯誤？

TensorFlow 版本過舊時，可能會遇到 dispatch 模組屬性不存在的錯誤。這類錯誤通常要先升級 TensorFlow，而不是改模型程式。

我遇到的錯誤是：

AttributeError: module 'tensorflow.python.util.dispatch' has no attribute 'add_fallback_dispatch_list'

處理方向是升級 TensorFlow：

pip install --upgrade tensorflow

GPU 版本則可升級 tensorflow-gpu：

pip install --upgrade tensorflow-gpu

不過 TensorFlow 後續版本的 GPU 安裝方式曾經調整，實際專案應以 TensorFlow 官方安裝文件為準。這裡的套件名稱可以保留作為除錯線索，但不要當成所有版本都適用的唯一答案。

CUDA ptxas 版本過舊會造成什麼警告？

CUDA ptxas 版本過舊時，TensorFlow 可能警告 XLA 程式碼有錯誤編譯風險。這代表環境可執行，但結果或穩定性可能不可靠。

我遇到的警告訊息如下：

WARNING *** You are using ptxas 11.0.194, which is older than 11.1.
ptxas before 11.1 is known to miscompile XLA code, leading to incorrect results or invalid-address errors.

這個警告指出正在使用舊版 ptxas 編譯器。處理方向是升級到相容的 CUDA Toolkit，或依 TensorFlow 訊息選擇性更新 ptxas binary。

可參考 NVIDIA CUDA Toolkit 官方頁面：https://developer.nvidia.com/cuda/toolkit。

zlibwapi.dll 找不到要怎麼處理？

Windows 環境跑 TensorFlow GPU 時，如果找不到 zlibwapi.dll，通常代表 zlib 動態函式庫沒有被放在可搜尋路徑。

我遇到的錯誤是：

Could not locate zlibwapi.dll. Please make sure it is in your library path!

處理方向是安裝或補上 zlib library，並讓系統能在 PATH 或指定目錄找到 zlibwapi.dll。通常可以把檔案放在 C:\Windows\System32，但正式環境更建議用明確的環境變數與安裝紀錄管理。

zlib 官方網站是 https://www.zlib.net/。

zlibwapi.dll 版本錯誤代表什麼？

zlibwapi.dll 錯誤碼 193 通常和 32 位元、64 位元架構不匹配有關。TensorFlow、Python、作業系統與 DLL 架構必須一致。

錯誤訊息是：

Could not load library zlibwapi.dll. Error code 193.
Please verify that the library is built correctly for your processor architecture (32-bit, 64-bit)

我最後改下載 x64 版本的 zlib 後解決。這是一個很典型的 GPU 環境除錯經驗：錯誤訊息看起來像缺檔，但真正問題可能是架構版本不相容。

成功使用 GPU 跑 TensorFlow 會看到什麼？

TensorFlow 成功建立 GPU device 時，log 會顯示 GPU 名稱、記憶體與 compute capability。這是確認模型真的跑到 GPU 的第一個訊號。

我看到的成功訊息如下：

Created device /job:localhost/replica:0/task:0/device:GPU:0 with 3971 MB memory:
device: 0, name: NVIDIA GeForce GTX 1660 Ti, pci bus id: 0000:01:00.0, compute capability: 7.5

看到這段 log 後，仍建議觀察 GPU 使用率、訓練時間與溫度。TensorFlow 偵測到 GPU 不代表資料管線已經最佳化，也不代表每個 operation 都會放到 GPU。

常見問題

QTensorFlow GPU 除錯第一步要做什麼？

先跑官方或最小範例，不要直接用大型專案測試。Fashion MNIST 這類簡單模型可以快速判斷 TensorFlow、CUDA 與 GPU 是否能正常配合。

Qadd_fallback_dispatch_list 錯誤怎麼處理？

這通常和 TensorFlow 版本過舊或套件不相容有關。先檢查 TensorFlow 版本，再依官方文件升級到和 Python、CUDA 相容的版本。

Qptxas 版本過舊一定要處理嗎？

如果 TensorFlow 明確警告舊版 ptxas 可能造成 XLA 錯誤編譯，就應該處理。最穩定的方式是使用 TensorFlow 官方建議的 CUDA 與 cuDNN 組合。

Qzlibwapi.dll 可以隨便下載放進系統嗎？

不建議隨便下載未知來源 DLL。應使用可信來源，並確認 32 位元或 64 位元版本和系統、Python、TensorFlow 架構一致。

Q如何知道 TensorFlow 真的使用 GPU？

可以看 TensorFlow 啟動 log 是否建立 device:GPU:0，也可以用 GPU 監控工具觀察訓練時的使用率。

參考資料

• TensorFlow，〈Basic classification: Classify images of clothing〉。
• NVIDIA，〈CUDA Toolkit〉。
• zlib，〈zlib Home Site〉。

延伸閱讀

• 在 Python 使用 GPU：安裝正確 TensorFlow、PyTorch 與 CuPy 套件：同樣聚焦 GPU、TensorFlow，可接著比較不同情境的做法。
• 在 Python 裡面使用 GPU 3 – 開發 GPU 程式：同樣聚焦 GPU、TensorFlow，可接著比較不同情境的做法。
• 在 Python 裡面使用 GPU（一）：選擇適合的 GPU：同樣聚焦 GPU、CUDA，可接著比較不同情境的做法。

最後更新

2026-08-28

關於作者

Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2023-01-03