TensorFlow 1.9.0虚拟环境无法识别GPU的原因及解决方法咨询

这问题我碰到过好几次，核心就是TensorFlow版本和CUDA版本不兼容，再加上旧TF版本对新GPU的支持不足导致的，给你拆解清楚并给几个可行的解决方案：

为啥会出现这问题？ #

你的标准环境用的TensorFlow 2.6.2，刚好适配系统的CUDA 11.5，而且支持A100这种计算能力8.0的新GPU，所以能正常识别。但你虚拟环境里的TensorFlow 1.9.0是2018年的老版本，它只支持CUDA 9.0，和你现在的CUDA 11.5差了好几个大版本，根本没法调用系统的CUDA库；另外，TF1.9.0发布的时候A100还没上市，原生就不支持计算能力8.0的GPU，这俩因素加起来，就导致虚拟环境里完全找不到GPU了。

具体怎么解决？给你四个方案选 #

方案1：虚拟环境内单独装适配的CUDA（最推荐，不影响其他环境） #

不用动系统的CUDA，就在虚拟环境里装TF1.9.0要求的CUDA 9.0和cuDNN 7.0就行：

• 如果是conda创建的虚拟环境，直接执行命令一步到位：

  conda activate 你的虚拟环境名
  conda install cudatoolkit=9.0 cudnn=7.0
  

• 如果是pip创建的虚拟环境，得手动下载CUDA 9.0的runfile（选择“仅提取不安装”），然后在虚拟环境里设置环境变量CUDA_HOME指向提取后的路径，再把cuDNN 7.0的文件放到对应的lib/include目录里，最后重启环境就行。

方案2：升级TF1.x到支持CUDA11.5的版本 #

如果你的项目代码能兼容更高版本的TF1.x，直接升级到TensorFlow 1.15.5（TF1.x的最终稳定版），它支持CUDA 10.1/10.2，也能兼容CUDA 11.x，同时对A100的支持也更好：

pip install tensorflow-gpu==1.15.5

装完之后运行下面的代码验证：

import tensorflow as tf
print(tf.test.is_gpu_available())
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

要是还不行，就再装个cuDNN 7.6.x（对应TF1.15.5的版本）。

方案3：把项目代码迁移到TF2.x（长期最优解） #

如果能改代码，直接在标准环境里用TF2.6.2跑是最省心的——毕竟TF2.x的生态和维护性都比TF1.x强太多。大部分TF1.x的代码可以用tf.compat.v1兼容，比如开头加两行：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

这样旧代码基本不用大改就能跑，还能直接用你的A100和CUDA11.5。

方案4：降级系统CUDA到9.0（不推荐） #

这个方案会破坏你标准环境里TF2.6.2的运行，因为TF2.6.2不支持CUDA9.0，除非你整个系统只用来跑这个TF1.9.0的项目，否则别选这个。

最后验证 #

不管用哪个方案，配置完之后都在虚拟环境里跑这段代码确认：

import tensorflow as tf
print("TF版本:", tf.__version__)
print("GPU可用:", tf.test.is_gpu_available())
print("本地设备列表:")
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

要是输出里能看到GPU设备，且GPU可用显示True，就说明搞定了！

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