安装TensorFlow GPU遇异常：__cuda版本不符及YAML解析错误

我来帮你搞定这两个头疼的问题，逐个分析解决：

1. 虚拟包__cuda=11.0与实际CUDA 10.0不符的问题 #

这个情况其实很常见：conda的虚拟包__cuda是根据你的NVIDIA驱动支持的最高CUDA版本检测的，而非你手动安装的CUDA Toolkit版本。你的GTX 970搭配的Game Ready驱动大概率支持到CUDA 11.x，所以conda会显示__cuda=11.0，但这不会影响你使用CUDA 10.0——只要在环境里明确指定对应版本的CUDA和cuDNN即可。

2. Conda创建环境时的AttributeError: 'str' object has no attribute 'copy'错误 #

这个报错的核心是你的tensorflow-gpu.yml文件格式有问题，导致conda解析失败：

• 你重复写了- pip项，且没有把pip专属的包（比如bayesian-optimization、gym）正确嵌套在pip:下面，conda把这些包当成普通字符串处理，触发了拷贝操作的错误。
• 最后一行- kaggle的内容是未完成的输入，属于语法错误。

修复后的YAML文件示例 #

把你的yaml文件改成下面的格式，注意缩进和pip依赖的写法：

name: tensorflow
dependencies:
  - python=3.7
  - pip=19.0
  - jupyter
  - tensorflow-gpu=2.0
  - cudatoolkit=10.0  # 明确指定与你安装的Toolkit匹配的CUDA版本
  - cudnn=7.4.1       # 对应CUDA 10.0的cuDNN版本
  - scikit-learn
  - scipy
  - pandas
  - pandas-datareader
  - matplotlib
  - pillow
  - tqdm
  - requests
  - h5py
  - pyyaml
  - flask
  - boto3
  - pip:
      - bayesian-optimization
      - gym
      - kaggle

后续操作步骤 #

1. 保存修复后的yaml文件。
2. 如果之前创建环境失败有残留，先清理：conda env remove -n tensorflow。
3. 重新执行创建命令：conda env create -v -f tensorflow-gpu.yml。

这样既能通过明确指定CUDA版本解决虚拟包显示不符的问题，也能修复yaml解析错误，顺利创建TensorFlow GPU环境。

内容的提问来源于stack exchange，提问作者Tom