简要回答
TensorFlow 支持 CPU、NVIDIA GPU（CUDA）、Google TPU 等设备；通过 tf.device 或 MirroredStrategy 等 API 指定运算设备，TPU 需云端或专用环境。
标准回答
一、核心回答
TensorFlow 支持多种计算设备：
| 设备 | 说明 |
|---|---|
| CPU | 默认，任意平台 |
| GPU | NVIDIA CUDA GPU，/GPU:0 |
| TPU | Google 张量处理器，云端/Colab |
| 多 GPU | MirroredStrategy、MultiWorker |
二、指定设备
示例代码可以这样理解：
with tf.device('/GPU:0'):
y = tf.matmul(a, b)
三、探测
tf.config.list_physical_devices('GPU')
四、分布式
tf.distribute.MirroredStrategy() 数据并行多卡；TPU 用 TPUStrategy 与 resolver。
五、边缘
训练多在 GPU/TPU；TFLite 在 ARM CPU、DSP、NPU 推理。与 PyTorch（CUDA、MPS、ROCm）生态对比：TF 对 TPU 一等支持是独特优势。详见 深度学习训练技巧。
回答思路
【定义】用一句话说清「TensorFlow 支持在哪些设备上计算」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
延伸学习
工具：TensorFlow、PyTorch。知识库：深度学习训练技巧、深度学习基础。动态见 AI 资讯。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：有 GPU 未指定导致慢速 CPU 训练；多卡未用 Strategy 只用到一卡；本地环境声称用 TPU。
追问
追问 1：GPU 内存不足怎么办？
减小 batch、混合精度、梯度累积、tf.keras 模型 checkpoint 层；或 tf.config.experimental.set_memory_growth 按需分配显存。
追问 2：TPU 和 GPU 训练差异？
TPU 擅长大 batch 矩阵运算，需 GCS 存数据、特定输入 shape（often 128 倍数）；代码用 TPUStrategy。GPU 更灵活通用。
追问 3：Mac Apple Silicon 能用 TF GPU 吗？
tensorflow-metal 插件支持部分 Mac GPU 加速；不如 NVIDIA CUDA 成熟，生产训练仍多 Linux+NVIDIA 或云 TPU。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
