配置CUDA后tensorflow-gpu 2.4.0缺失cusolver64_10.dll运行报错

强行重命名不同版本的CUDA动态库是导致报错的核心原因，cusolver64_10.dll是CUDA 11.0版本的专属文件，你当前安装的CUDA 10/11非11.0子版本均不包含该文件，版本不匹配导致cuBLAS算子库初始化失败，后续的NotFoundError、参数类ValueError均为GPU环境异常引发的连锁报错，和你的代码输入、路径配置无关。

• 完全卸载当前系统内所有版本的CUDA Toolkit、cuDNN、NVIDIA显卡驱动，重启设备避免多版本残留冲突。
• 安装与tensorflow-gpu==2.4.0严格匹配的GPU依赖：
  • NVIDIA显卡驱动版本≥450.x（CUDA 11.0的最低驱动要求）
  • 安装CUDA Toolkit 11.0官方安装包，安装完成后确认系统环境变量Path中已添加CUDA 11.0的bin、libnvvp目录路径
  • 下载cuDNN v8.0.5 for CUDA 11.0压缩包，将包内的bin、include、lib三个文件夹直接覆盖到CUDA 11.0的安装根目录下
• 重置Python依赖环境，清除残留冲突包：
  • 执行批量卸载命令：pip uninstall -y tensorflow tensorflow-gpu keras h5py opencv-python opencv-python-headless imageai
  • 依次安装匹配版本的依赖：

    pip install tensorflow-gpu==2.4.0
    pip install keras==2.4.3
    pip install h5py==2.10.0
    pip install opencv-python==4.5.5.62
    pip install imageai==2.1.6
    

• 执行验证代码确认环境正常：

  import tensorflow as tf
  # 验证GPU是否可识别
  print(tf.test.is_gpu_available())
  # 打印所有可用GPU设备
  print(tf.config.list_physical_devices('GPU'))
  

  输出结果包含True和对应GPU设备信息即为配置完成，此时再运行RetinaNet检测代码即可正常执行GPU推理。

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