TensorFlow-GPU导入错误：libnvidia-fatbinaryloader.so.384.90缺失排查

问题根源分析 #

这个错误的核心是系统找不到NVIDIA驱动的核心库libnvidia-fatbinaryloader.so.384.90，通常由以下几种原因导致：

• 当前系统的NVIDIA驱动版本与TensorFlow/CUDA要求的版本不匹配
• 驱动安装不完整，缺失该库文件
• 系统的动态链接库路径（LD_LIBRARY_PATH）没有包含驱动库所在的目录

结合你的环境：TensorFlow 1.13.1 + Keras 2.2.4，官方要求CUDA 10.0和cuDNN 7.4，而CUDA 10.0对应的最低NVIDIA驱动版本是384.81，报错里的384.90是该驱动系列的子版本，说明你的环境要么驱动版本不对，要么驱动库没被正确识别。

分步解决方案 #

1. 检查当前NVIDIA驱动版本

先确认系统安装的驱动版本，在终端执行：

nvidia-smi

查看输出的Driver Version字段：

• 如果版本低于384.81：需要升级到384.x系列或更高版本（推荐384.90或兼容CUDA 10.0的版本）
• 如果版本符合要求：继续下一步检查库文件是否存在

2. 验证库文件是否存在

在终端执行查找命令，确认系统中是否有缺失的库：

find / -name libnvidia-fatbinaryloader.so.384.90 2>/dev/null

• 如果没有输出结果：说明驱动安装不完整或版本不对，需要重新安装对应版本的NVIDIA驱动
• 如果有输出（比如/usr/lib/nvidia-384/libnvidia-fatbinaryloader.so.384.90）：说明库存在但系统找不到，需要配置环境变量

3. 配置动态链接库路径

如果库文件存在，把驱动库所在目录添加到LD_LIBRARY_PATH：

• 临时生效（重启终端后失效）：

  export LD_LIBRARY_PATH=/usr/lib/nvidia-384:$LD_LIBRARY_PATH
  

  注意：把路径替换成你实际找到的库所在目录
• 永久生效：
  编辑~/.bashrc文件（针对当前用户）或/etc/profile（针对所有用户），添加上述export命令，然后执行：

  source ~/.bashrc
  

4. 确认CUDA和cuDNN版本兼容性

确保你安装的是TensorFlow 1.13.1要求的版本：

• CUDA版本：10.0（不是更高或更低版本）
• cuDNN版本：7.4（对应CUDA 10.0）
  如果版本不匹配，卸载现有版本后重新安装对应版本的CUDA和cuDNN。

5. 重新验证GPU支持

配置完成后，运行你的测试代码，或者用以下简单代码验证：

import tensorflow as tf
print("TensorFlow version:", tf.__version__)
print("GPU available:", tf.test.is_gpu_available())

如果输出GPU available: True，说明问题解决，Keras也会自动识别到GPU。

内容的提问来源于stack exchange，提问作者James_Hames