Linux运行TensorFlow-GPU报GLIBC_2.27缺失错误如何解决

ImportError: /usr/lib64/libm.so.6: version 'GLIBC_2.27' not found报错的核心触发逻辑有两点：

• 你当前的环境存在严重的版本适配错配：tensorflow-gpu 1.14官方预编译包最高仅适配CUDA 10.0 + cuDNN 7.4，和你安装的CUDA 11.4完全不兼容，就算解决了glibc问题，后续也会触发CUDA动态链接、算子注册类的报错
• tensorflow-gpu 1.14官方编译时依赖的最低glibc版本为2.27，如果你使用的是CentOS 7、Ubuntu 16.04这类老版本系统，系统全局预装的glibc版本最高仅为2.17/2.23，自然无法找到对应版本的符号链接

方案1：隔离环境修复（最推荐，不破坏系统依赖） #

不要尝试升级系统全局glibc，这类操作会导致ls、cd等系统基础命令失效，直接搞崩整个系统，用conda创建独立虚拟环境隔离依赖即可：

1. 先对齐官方匹配的版本组合：保留Python3.6的前提下，将CUDA替换为10.0版本，对应安装cuDNN 7.4.2，和tensorflow-gpu 1.14的依赖要求完全对齐
2. 激活你用于运行TensorFlow的conda虚拟环境，执行命令安装独立版本的glibc，不改动系统全局文件：

conda install -c conda-forge glibc=2.27

3. 安装完成后执行命令验证符号是否存在，能输出GLIBC_2.27字样即代表环境内glibc版本满足要求：

strings 你的虚拟环境对应路径/lib/libm.so.6 | grep GLIBC_2.27

验证通过后再启动TensorFlow即可正常运行，不会再调用系统/usr/lib64路径下的老版本动态库。

方案2：保留CUDA 11.4的适配方案 #

如果你必须使用CUDA 11.4，直接卸载官方源安装的tensorflow-gpu 1.14，替换为适配CUDA11编译的TensorFlow 1.14/1.15版本，这类编译版本一般做了低版本glibc兼容，不需要额外升级glibc即可在老系统上运行。注意下载对应Python3.6版本的whl安装包，本地执行安装即可：

pip install 你下载的对应版本tensorflow安装包.whl

安装完成后先执行import tensorflow as tf测试，无报错再运行业务代码。

方案3：系统级适配（仅推荐新装机场景） #

直接将操作系统升级到Ubuntu 18.04、CentOS 8及以上版本，这类系统默认预装的glibc版本≥2.27，安装系统后再对齐TensorFlow、CUDA、cuDNN的版本匹配关系，从根源上避免依赖冲突问题。

• 绝对不要通过软链接ln -s的方式替换系统/usr/lib64路径下的libm.so.6、libc.so.6等核心动态库，90%以上概率会导致系统完全瘫痪，只能进救援模式恢复
• 不要在同一个虚拟环境内混装pip、conda源的CUDA、cuDNN包，容易出现多版本动态库优先级混乱，触发难以排查的链接错误

内容的提问来源于stack exchange，提问作者xy z