Ubuntu24.04.1下TensorFlow2.14.1已装CUDA却无法检测GPU

问题原因解析 #

nvidia-smi能识别GPU只说明NVIDIA驱动已正确安装，但TensorFlow需要依赖CUDA Toolkit和cuDNN才能调用GPU。出现的警告和检测不到GPU的问题，本质是TF找不到匹配的CUDA环境，或是存在依赖冲突。

具体解决步骤 #

1. 核对TensorFlow与CUDA/cuDNN的版本匹配 #

TensorFlow 2.14.1要求：

• CUDA Toolkit 11.8
• cuDNN 8.6

执行以下命令检查当前系统的CUDA版本：

nvcc --version

如果版本不是11.8，需要卸载现有CUDA，安装对应版本的CUDA Toolkit（注意CUDA11.8要求驱动版本≥450.80.02，可通过nvidia-smi查看驱动版本）。

2. 配置CUDA环境变量 #

即使安装了CUDA，Python进程可能无法读取到路径，需要手动配置环境变量：
打开~/.bashrc或~/.zshrc（根据你使用的shell），添加以下内容：

export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

保存后执行以下命令生效：

source ~/.bashrc

重启终端后，验证路径是否生效：

echo $PATH
echo $LD_LIBRARY_PATH

3. 解决cuDNN重复注册错误 #

Unable to register cuDNN factory错误是因为存在多个cuDNN版本冲突：

• 确保系统安装的cuDNN版本为8.6（对应CUDA11.8），卸载多余版本
• 如果是通过pip安装的TensorFlow，可尝试卸载后用conda安装（conda会自动匹配CUDA/cuDNN依赖）：

  pip uninstall tensorflow
  conda install tensorflow==2.14.1
  

4. 验证TensorFlow的GPU检测 #

配置完成后，重新打开Python终端执行：

import tensorflow as tf
physical_devices = tf.config.list_physical_devices('GPU')
print("Num GPUs:", len(physical_devices))

如果输出Num GPUs: 1（或对应你的GPU数量），说明问题解决。

额外排查点 #

• 如果Ubuntu 24.04的内核版本过高，可能导致CUDA11.8兼容性问题，可尝试升级NVIDIA驱动到最新稳定版，或切换到兼容的内核版本
• 检查是否有其他进程占用GPU，执行nvidia-smi查看GPU使用情况，确保资源空闲

内容的提问来源于stack exchange，提问作者DrBwts