TensorFlow是否支持CUDA 11.6？GPU部署DeepLabCut遇安装报错

核心问题说明 #

TensorFlow官方文档虽未明确标注支持CUDA 11.6，但CUDA小版本具备向下兼容性，可通过匹配兼容的TensorFlow和cuDNN版本解决安装报错问题。

具体解决方案 #

• 检查NVIDIA驱动版本
  CUDA 11.6要求驱动版本≥510.39.01，打开终端/命令行执行nvidia-smi查看当前驱动版本，若低于要求需先升级驱动。

• 选择兼容的TensorFlow与cuDNN版本
  优先尝试TensorFlow 2.9.0或2.10.0，这两个版本的CUDA兼容范围可覆盖11.6（官方标注支持CUDA 11.2，但小版本兼容有效）。安装命令：

  pip install tensorflow==2.10.0
  

  同时需搭配对应cuDNN版本：CUDA 11.6对应cuDNN 8.4.x，将cuDNN压缩包中的bin、include、lib文件夹内容，分别复制到CUDA 11.6安装目录的对应文件夹中。

• 配置系统环境变量

  • Windows系统（需管理员权限打开命令行执行）：

    setx PATH "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\bin;%PATH%"
    setx LD_LIBRARY_PATH "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib64;%LD_LIBRARY_PATH%"
    

  • Linux系统（编辑~/.bashrc后执行source ~/.bashrc生效）：

    export PATH=/usr/local/cuda-11.6/bin:$PATH
    export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64:$LD_LIBRARY_PATH
    

• 验证GPU可用性
  运行以下Python代码确认配置是否成功：

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

  输出True且列出GPU设备即表示配置生效。

• 适配DeepLabCut
  确保DeepLabCut版本与TensorFlow兼容，推荐安装2.3.0及以上版本，安装时可指定依赖：

  pip install deeplabcut[tensorflow-gpu]==2.3.0
  

内容的提问来源于stack exchange，提问作者NaQi