TensorFlow调用GPU时报错cudnn_cnn_infer64_8.dll错误码126如何解决？

步骤1：验证cuDNN文件完整性 #

• 首先找到你解压的cuDNN文件夹，检查bin目录下是否存在cudnn_cnn_infer64_8.dll文件
• 如果文件缺失，重新下载对应CUDA11.5版本的cuDNN v8.3安装包，避免下载过程中文件损坏
• 把cuDNN的bin、include、lib三个目录下的文件，分别复制到CUDA安装目录的对应文件夹下，默认CUDA路径是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5

步骤2：配置系统环境变量 #

• 右键此电脑→属性→高级系统设置→环境变量→系统变量里找到Path，点击编辑
• 确认以下两条路径已经添加，没有的话手动补上：

  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\bin
  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\libnvvp
  

• 添加完成后点击所有窗口的确定保存，必须重启电脑让环境变量全局生效，多次安装无效大概率是未重启导致旧环境变量残留。

步骤3：解决不同运行环境的路径差异问题 #

你遇到的三个环境表现不一致，本质是不同启动方式加载的环境变量不一样：

• Jupyter Notebook走的是Anaconda或者对应Python虚拟环境的路径，你可以在Jupyter里运行以下代码查看当前环境的路径配置：

  import os
  print(os.environ['PATH'])
  

  如果输出里没有CUDA的bin路径，就把CUDA的bin目录路径手动加到对应虚拟环境的启动配置里，或者直接把cudnn_cnn_infer64_8.dll复制到你当前Python环境的Scripts文件夹下。
• VS Code Notebook和直接运行Python文件的报错，也可以通过把dll复制到项目当前运行目录临时验证，如果复制后可以正常运行，即可确认是路径配置问题。

步骤4：验证版本匹配 #

• 确认你安装的TensorFlow版本和CUDA11.5、cuDNN8.3匹配，TensorFlow2.7及以上版本才支持CUDA11.5，你可以运行pip show tensorflow查看版本，如果版本过低就升级到对应匹配版本。
• 可以运行以下代码验证TensorFlow是否能正常识别GPU和cuDNN：

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

临时快速解决方案 #

如果上面的路径配置始终不生效，可以直接把cuDNN bin目录下的所有dll文件复制到你当前运行Python项目的工作目录下，就能直接调用到对应的库文件。

内容的提问来源于stack exchange，提问作者Hseran