TensorFlow+CUDA+cuDNN环境运行ResNet152报错：DNN库未找到

问题描述 #

在Conda环境的Jupyter Notebook中运行ResNet152模型时，出现DNN library is not found.错误（对应节点为model/conv1_conv/Conv2D）。已将TensorFlow降级至2.10.0、CUDA降级至11.2、cuDNN降级至8.1.0，且配置好系统路径，但问题仍未解决。

运行代码 #

from tensorflow.keras.applications import ResNet50, ResNet101, ResNet152, InceptionResNetV2, DenseNet121
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D, Activation, BatchNormalization
from tensorflow.keras import mixed_precision, layers, models
import tensorflow as tf
from tensorflow.keras.optimizers.schedules import ExponentialDecay
from tensorflow.keras.optimizers import Adam, RMSprop
import os  # 补充原代码缺失的os导入

mixed_precision.set_global_policy('mixed_float16')

base_model = ResNet152(weights='imagenet', include_top=False, input_shape=(256, 256, 3))

for layer in base_model.layers:
    layer.trainable = True 

pooling_layer = layers.GlobalAveragePooling2D()(base_model.output)
output_layer = layers.Dense(1, activation='sigmoid', name='output_layer')(pooling_layer)

model = Model(inputs=base_model.input, outputs=output_layer)

initial_learning_rate = 0.001
lr_schedule = ExponentialDecay(
    initial_learning_rate,
    decay_steps=50,
    decay_rate=0.9,
    staircase=False)

optimizer = Adam(learning_rate=lr_schedule)

model.compile(
    optimizer=optimizer,
    loss='binary_crossentropy',
    metrics=['accuracy', tf.keras.metrics.Precision(), tf.keras.metrics.Recall(), tf.keras.metrics.AUC(name='auc')]
)

model.summary()

os.environ['CUDA_VISIBLE_DEVICES'] = '0'
history = model.fit(dataset_batched_withoutnames, epochs=5)

报错信息 #

DNN library is not found.
     [[{{node model/conv1_conv/Conv2D}}]] [Op:__inference_train_function_55822]

可能的解决方向 #

• 验证CUDA/cuDNN加载状态：在代码开头添加检测代码，确认TensorFlow是否真的识别到GPU和相关库：

  print(tf.config.list_physical_devices('GPU'))
  print(tf.test.is_built_with_cuda())
  print(tf.test.is_built_with_gpu_support())
  print(tf.__version__)
  

  如果输出无GPU设备或CUDA未启用，说明环境配置未生效——可能是Conda环境未关联系统CUDA库，或是路径配置仅在终端生效、Jupyter未读取到。

• 提前设置GPU可见性：把os.environ['CUDA_VISIBLE_DEVICES'] = '0'移到代码最开头（导入os之后、导入TensorFlow之前），避免TensorFlow初始化时默认用CPU。

• 暂时关闭混合精度：注释掉mixed_precision.set_global_policy('mixed_float16')，测试是否能正常运行。部分旧版CUDA/cuDNN对混合精度的兼容性较差，若关闭后能运行，再针对性调整混合精度配置。

• 确认Conda环境独立性：用conda list查看当前环境的TensorFlow版本是否为2.10.0，且无其他版本残留；同时确认环境内是否安装了cudatoolkit=11.2和cudnn=8.1.0。如果是手动下载的cuDNN，要确保解压后的文件放到了Conda环境的lib和include目录下（比如your_env_path/lib/和your_env_path/include/），而非仅放在系统路径。

• 重启环境与内核：修改配置或库版本后，必须重启Jupyter内核、重新激活Conda环境，避免旧配置被缓存导致新设置不生效。

• 检查GPU驱动版本：CUDA 11.2要求最低NVIDIA驱动版本为450.80.02，确认你的驱动版本达标，过低的驱动会导致CUDA无法正常工作。

内容的提问来源于stack exchange，提问作者Stephen Lee