在Google Colab中安装CUDA 10替换10.1以适配TensorFlow 1.14

我之前在Colab上也碰到过一模一样的问题——TF1.14依赖CUDA10.0的库，而Colab默认升级到10.1后，软链接和常规卸载都没搞定。其实问题出在Colab的临时环境特性，必须彻底清理+重新配置环境变量才能生效，下面是经过验证的完整步骤：

问题根源 #

你的报错清晰指向TensorFlow 1.14需要的libcusolver.so.10.0等CUDA10.0专属库不存在，而CUDA10.1的库和10.0并非完全兼容，强行软链接会导致后续运行时的隐性错误；之前的卸载步骤可能没彻底清理残留，或者环境变量没正确重置，导致安装的CUDA10.0没被系统识别。

完整解决方案步骤 #

1. 彻底清理现有CUDA和NVIDIA组件 #

首先要把Colab默认的CUDA10.1、NVIDIA驱动及相关依赖完全移除，避免版本冲突：

# 卸载所有CUDA相关包和NVIDIA驱动
!apt-get --purge remove -y cuda nvidia* libnvidia-*
!dpkg -l | grep cuda- | awk '{print $2}' | xargs -n1 dpkg --purge
!apt-get remove -y cuda-*
!apt-get autoremove -y
!apt-get clean -y

2. 安装CUDA10.0及配套依赖 #

接下来安装适配TF1.14的CUDA10.0、cuDNN7.6.2和TensorRT，这些版本都是官方推荐的兼容组合：

# 添加CUDA10.0的Ubuntu源
!wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-repo-ubuntu1804_10.0.130-1_amd64.deb
!sudo dpkg -i cuda-repo-ubuntu1804_10.0.130-1_amd64.deb
!sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
!sudo apt-get update -y

# 添加NVIDIA机器学习源（用于获取cuDNN和TensorRT）
!wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb
!sudo apt install -y ./nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb
!sudo apt-get update -y

# 安装适配CUDA10.0的NVIDIA驱动418（稳定版本）
!sudo apt-get install -y --no-install-recommends nvidia-driver-418

# 安装CUDA10.0核心库、cuDNN7.6.2和TensorRT
!sudo apt-get install -y --no-install-recommends \
cuda-10-0 \
libcudnn7=7.6.2.24-1+cuda10.0 \
libcudnn7-dev=7.6.2.24-1+cuda10.0 \
libnvinfer5=5.1.5-1+cuda10.0 \
libnvinfer-dev=5.1.5-1+cuda10.0

# 修复可能的依赖损坏问题
!apt --fix-broken install -y

3. 重置环境变量并验证安装 #

Colab的默认环境变量还指向旧的CUDA路径，必须手动更新才能让系统识别新安装的CUDA10.0：

# 设置CUDA10.0的环境变量
%env LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:/usr/local/cuda-10.0/extras/CUPTI/lib64
%env PATH=/usr/local/cuda-10.0/bin:$PATH

# 验证CUDA版本是否正确
!nvcc --version
# 验证NVIDIA驱动是否正常运行
!nvidia-smi

4. 安装TensorFlow1.14并测试GPU检测 #

最后安装TF1.14的GPU版本，并确认GPU能被正确识别：

# 安装TensorFlow1.14 GPU版
!pip install tensorflow-gpu==1.14.0

# 测试GPU是否被TensorFlow识别
import tensorflow as tf
print("TensorFlow版本:", tf.__version__)
print("可用GPU数量:", len(tf.config.experimental.list_physical_devices('GPU')))
print("GPU设备详情:", tf.config.experimental.list_physical_devices('GPU'))

重要提示 #

• Colab的虚拟机是临时的，每次重启会话后都需要重新执行上述步骤，因为重启后会恢复到默认的CUDA10.1环境。
• 不要尝试混合不同版本的CUDA库，彻底清理是避免冲突的关键。
• 驱动版本必须和CUDA版本匹配：CUDA10.0要求驱动版本≥410.48，选择418是因为它是经过验证的稳定版本，不会出现兼容性问题。

内容的提问来源于stack exchange，提问作者vade