TensorFlow v2.9调用GTX1050移动版GPU的兼容报错咨询

• Could not load dynamic library 'libcudnn.so.8'报错的核心诱因是TensorFlow官方发布的v2.9预编译包在构建阶段硬绑定了对应版本的CUDA、cuDNN动态库符号，仅对官方测试过的特定依赖版本做了链接适配。你当前安装的CUDA 11.4、cuDNN 8.2.4虽然满足NVIDIA官方给出的驱动-CUDA-cuDNN兼容矩阵要求，但不在TF2.9的预编译包适配范围内，动态链接器无法匹配到对应版本的库文件就会抛出该错误。
• 若后续版本匹配后仍出现同类报错，需检查cuDNN的库路径是否已加入系统动态库搜索路径：Linux环境需确认cuDNN的lib目录是否在LD_LIBRARY_PATH中，Windows环境需确认cuDNN的bin目录是否加入系统PATH。

• 显卡驱动：你当前安装的470.129.06版本完全可用，无需更换。470.xx分支是GTX 10系显卡的稳定适配分支，且满足CUDA 11.2的最低驱动要求（Linux最低要求450.80.02、Windows最低要求456.38），nvidia-smi可正常返回显卡信息即代表驱动层无问题。
• CUDA Toolkit：需安装11.2版本，该版本是TensorFlow v2.9官方构建测试时使用的指定CUDA版本，安装完成后需将CUDA的bin、lib64目录加入系统环境变量。
• cuDNN：需安装适配CUDA 11.2的v8.1.x版本，推荐使用8.1.0.77，安装时可直接将cuDNN压缩包内bin、include、lib目录下的文件复制到CUDA 11.2安装路径的对应目录下，也可单独将cuDNN的lib路径加入系统动态库搜索路径。

不想调整系统全局CUDA、cuDNN版本的话，可以直接通过conda创建虚拟环境安装TensorFlow v2.9，conda会自动在虚拟环境内安装匹配版本的CUDA、cuDNN依赖，不会和系统全局安装的版本冲突，安装完成后即可在虚拟环境内正常调用GPU加速。

内容的提问来源于stack exchange，提问作者ptushev