tensorflow-gpu无法调用GPU：Could not create cudnn handle错误求助

结合你的环境信息和错误日志，我先梳理几个核心矛盾点，再给出针对性的解决方案：

一、先排查版本匹配的核心问题 #

你的环境标注了CUDA 10.1，但TensorFlow 1.13.1的官方支持版本是CUDA 10.0——这是最可能引发CuDNN初始化失败的原因。虽然CuDNN 7.4.2兼容CUDA 10.0和10.1，但TensorFlow的编译版本是绑定特定CUDA版本的，版本不匹配会直接导致CuDNN无法正常加载。

二、针对性解决方案 #

方案1：调整CUDA/TensorFlow版本匹配 #

你有两个稳妥的选择：

• 降级CUDA到10.0：完全匹配TensorFlow 1.13.1的官方要求。卸载当前的CUDA 10.1，重新安装CUDA 10.0，再把CuDNN 7.4.2部署到CUDA 10.0的对应目录中。
• 升级TensorFlow到1.14+：TensorFlow 1.14及以后版本开始支持CUDA 10.1，升级后可以保留当前的CUDA 10.1环境。执行命令：

  pip install tensorflow-gpu==1.14.0
  

方案2：修正混乱的环境变量配置 #

从你提供的环境变量来看，存在路径不一致的问题：

• 你同时设置了CUDA_PATH=/usr/local/cuda-10.0和后续的export PATH="/usr/local/cuda/bin:$PATH"，如果实际安装的是CUDA 10.1，这会导致系统找到的CUDA版本混乱。
• 正确的配置应该统一指向你实际使用的CUDA版本，比如用CUDA 10.1的话，修改为：

  export CUDA_PATH=/usr/local/cuda-10.1
  export PATH=$CUDA_PATH/bin:$PATH
  export LD_LIBRARY_PATH=$CUDA_PATH/lib64:$CUDA_PATH/extras/CUPTI/lib64:$LD_LIBRARY_PATH
  

  配置完成后执行source ~/.bashrc生效，再用nvcc -V确认CUDA版本是否正确输出。

方案3：确认CuDNN安装的完整性 #

检查CuDNN的文件是否正确放置到CUDA目录中：

• 把CuDNN压缩包里的include/cudnn.h复制到$CUDA_PATH/include/
• 把lib64/下的libcudnn*.so*复制到$CUDA_PATH/lib64/
• 执行以下命令修复库文件链接：

  cd $CUDA_PATH/lib64
  sudo ln -sf libcudnn.so.7.4.2 libcudnn.so.7
  sudo ln -sf libcudnn.so.7 libcudnn.so
  sudo ldconfig
  

方案4：补充GPU内存配置（如果以上方案无效） #

虽然你已经设置了allow_growth=True，可以尝试更明确的内存限制：

import tensorflow as tf
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.7  # 限制使用70%的GPU内存
config.gpu_options.allow_growth = True
session = tf.Session(config=config)

另外，重启机器可以清除GPU内存的碎片化问题，有时候能解决奇怪的初始化错误。

三、验证修复效果 #

运行一段简单的卷积测试代码，确认问题是否解决：

import tensorflow as tf
from tensorflow.keras.layers import Conv2D

# 构建简单的卷积模型
model = tf.keras.Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(28, 28, 1)))
model.compile(optimizer='adam', loss='categorical_crossentropy')

# 测试前向传播
x = tf.random.normal((1, 28, 28, 1))
y = model(x)
print("卷积操作成功执行！")

内容的提问来源于stack exchange，提问作者Y. P