Ubuntu环境下Tensorflow.NET报错：libtensorflow未找到的解决方案咨询

• 检查原生库文件是否正确部署
  Linux环境下Tensorflow.NET依赖的是libtensorflow.so系列共享库，而非Windows的tensorflow.dll。先确认输出目录的runtimes/linux-x64/native文件夹中是否存在libtensorflow.so、libtensorflow_framework.so等文件。如果缺失，执行以下命令清理重建项目，确保NuGet包的Linux原生库被正确复制：

  dotnet restore
  dotnet clean
  dotnet publish -c Release -r linux-x64 --self-contained false
  

• 配置系统库加载路径
  即使原生库存在，系统可能无法自动找到。可以通过两种方式指定路径：

  1. 临时生效：运行程序前在终端执行

     export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/path/to/your/app/runtimes/linux-x64/native
     

  2. 代码内指定：在初始化TensorFlow之前添加以下代码（需引入System.Runtime.InteropServices）

     [DllImport("libdl.so")]
     private static extern int dlopen(string filename, int flags);
     
     // 初始化TensorFlow前调用
     dlopen("/path/to/your/app/runtimes/linux-x64/native/libtensorflow.so", 1); // RTLD_NOW = 1
     

• 验证GPU环境版本兼容性
  预装的Python TensorFlow 2.10与SciSharp的Redist包可能存在CUDA/CuDNN版本不匹配的问题。TensorFlow 2.10通常对应CUDA 11.2、CuDNN 8.1，执行以下命令检查系统环境版本：

  nvcc --version
  cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
  

  若版本不匹配，需调整SciSharp.TensorFlow.Redist-Linux-GPU的版本，或同步升级/降级系统的CUDA/CuDNN。

• 排除JupyterHub环境限制
  JupyterHub的环境隔离可能导致程序无法访问GPU资源或库路径。直接在Jupyter终端中运行发布后的.NET程序，确认是否同样报错，以此排除JupyterHub的配置干扰。

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