远程服务器运行TensorFlow-gpu出现libcuda.so.1动态库加载失败问题

从报错日志可直接定位核心问题：当前登录的服务器环境未加载NVIDIA显卡驱动，也未暴露GPU硬件设备，具体对应两个关键报错：

• 无法加载libcuda.so.1：CUDA运行依赖的NVIDIA核心驱动库不存在
• /proc/driver/nvidia/version does not exist：Linux系统下NVIDIA驱动正常运行时会生成该虚拟文件，不存在即证明驱动完全没有启动
  另外最常见的场景是你当前登录的是集群的登录节点，共享集群的登录节点默认不会挂载GPU硬件，只有将任务提交到GPU计算节点才能访问GPU资源。

• 第一步：校验当前节点GPU状态
  直接执行命令nvidia-smi，如果输出报错（如命令不存在、无设备匹配），即可确认当前节点无可用GPU。
• 第二步：确认集群资源调度规则
  如果使用的是共享科研集群，联系管理员确认以下信息：
  1. 是否需要提交任务到指定GPU分区才能分配带GPU的计算节点
  2. 计算节点的NVIDIA驱动版本是否满足要求：TensorFlow 2.4对应最低驱动版本为450.x，和你安装的CUDA 10.1兼容
• 第三步：进入GPU节点后的环境校验
  确认已进入分配了GPU的计算节点后，执行以下操作验证：
  1. 重新执行nvidia-smi，确认能正常输出显卡型号、驱动版本、显存使用等信息
  2. 检查LD_LIBRARY_PATH环境变量是否包含NVIDIA驱动和CUDA的库路径，默认路径一般为/usr/local/cuda/lib64，如果缺失可以手动添加：

     export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64
     

  3. 重新运行TensorFlow设备校验代码，确认GPU可被正常识别
• 冗余依赖清理
  TensorFlow 2.0起GPU功能已整合到基础安装包中，不需要额外安装tensorflow-gpu，你当前同时安装两个相同版本的包属于冗余配置，不会影响运行但可按需清理避免后续版本冲突。

内容的提问来源于stack exchange，提问作者Rawan