安装CUDA与CuDNN后TensorFlow仍无法检测GPU的问题求助

一、先确认NVIDIA驱动状态 #

• 终端运行 nvidia-smi，如果无法显示显卡型号、驱动版本等信息，说明驱动未正确安装。针对RTX 3060 Ti，Ubuntu 22.04推荐安装470.x或525.x以上版本的驱动，可通过ubuntu-drivers autoinstall自动安装适配驱动，或者手动从NVIDIA官网下载对应版本。
• 注意：nvidia-smi显示的CUDA版本是驱动支持的最高版本，只要不低于你安装的11.8即可，无需完全一致。

二、配置CUDA与CuDNN的环境变量（Miniconda环境专属） #

激活你的conda环境后，检查环境变量是否正确：

1. 运行 echo $LD_LIBRARY_PATH，确认输出包含/usr/local/cuda/lib64（CuDNN默认安装到CUDA目录下，所以无需额外添加CuDNN路径）。
2. 若未包含，临时添加环境变量：

   export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
   export PATH=/usr/local/cuda/bin:$PATH
   

3. 要让配置永久生效，把上述两行命令写入conda环境的激活脚本：
   • 创建脚本目录：mkdir -p ~/miniconda3/envs/你的环境名/etc/conda/activate.d
   • 编辑脚本文件：nano ~/miniconda3/envs/你的环境名/etc/conda/activate.d/env_vars.sh
   • 粘贴命令后保存退出，下次激活环境时会自动加载配置。

三、验证CuDNN文件是否正确部署 #

如果你是手动下载CuDNN压缩包安装的，需确认文件已复制到CUDA目录：

• 检查/usr/local/cuda/include下是否存在cudnn*.h头文件，/usr/local/cuda/lib64下是否存在libcudnn*.so动态库。
• 若缺失，重新解压CuDNN包并执行以下命令：

  sudo cp include/cudnn*.h /usr/local/cuda/include
  sudo cp lib64/libcudnn* /usr/local/cuda/lib64
  sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*
  

四、排查conda环境隔离问题 #

• 运行 which python，确认输出路径是你的conda环境目录下的Python，避免使用系统全局Python导致依赖冲突。
• 尝试重新安装TensorFlow GPU版：pip install tensorflow[and-cuda]，该命令会自动适配当前环境安装对应版本的CUDA、CuDNN及TensorFlow，可解决手动安装可能出现的版本不匹配问题。

五、测试GPU检测 #

激活conda环境后，运行以下代码验证：

import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))

若输出包含GPU设备信息，说明配置成功。

内容的提问来源于stack exchange，提问作者vmmgame