TensorFlow2.0.0+Keras2.2.4下model.fit_generator()卷积算法获取失败求助

我之前也碰到过一模一样的错误，结合你给出的TensorFlow 2.0.0、Keras 2.2.4环境以及数据增强、模型训练的代码场景，这个问题的核心是cuDNN初始化失败，进而导致Conv2D操作无法执行，下面给你拆解原因和靠谱的解决办法：

一、核心原因拆解 #

这个错误的直接诱因主要有三类，对应不同的场景：

• TensorFlow、CUDA、cuDNN三者版本不兼容（TF2.0.0对依赖版本有严格要求）
• GPU内存被占满，导致cuDNN无法分配足够资源完成初始化
• 系统中存在多个CUDA版本，环境变量配置混乱，导致TF调用了错误的库文件

二、针对性解决办法 #

1. 匹配官方要求的版本组合 #

TensorFlow 2.0.0官方明确要求的依赖版本是：

• CUDA版本：10.0
• cuDNN版本：7.4及以上（推荐7.4.2）

如果你的CUDA/cuDNN版本不匹配，按照以下步骤调整：

• 卸载当前不兼容的CUDA和cuDNN
• 下载并安装对应版本的CUDA 10.0和cuDNN 7.4.2
• 确保环境变量指向正确的安装路径（具体配置看下面第3点）

2. 调整GPU内存分配策略 #

如果是内存不足导致的问题，你可以在代码最开头添加内存限制逻辑，让TF动态分配GPU内存，避免一次性占满：

import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
    try:
        # 开启GPU内存动态增长
        for gpu in gpus:
            tf.config.experimental.set_memory_growth(gpu, True)
        logical_gpus = tf.config.experimental.list_logical_devices('GPU')
        print(f"{len(gpus)} 个物理GPU，{len(logical_gpus)} 个逻辑GPU")
    except RuntimeError as e:
        print(e)

另外也可以尝试减小训练代码中的batch_size（比如从当前值改成16或8），降低单批次数据的内存占用。

3. 修复混乱的环境变量配置 #

如果系统里安装了多个CUDA版本，一定要确保环境变量优先指向TF2.0.0对应的CUDA 10.0：

• Linux/macOS：在终端运行以下命令（或者添加到~/.bashrc/~/.zshrc中永久生效）：

export CUDA_HOME=/usr/local/cuda-10.0
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

• Windows：打开系统环境变量设置，把CUDA 10.0的bin路径移到PATH最顶端，确保系统优先调用正确版本的库。

4. 快速验证cuDNN是否正常工作 #

可以运行一段极简的卷积测试代码，验证cuDNN初始化是否正常：

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

# 创建一个仅含Conv2D的简单模型
model = tf.keras.Sequential([
    Conv2D(32, (3,3), input_shape=(28,28,1))
])
# 生成测试输入
test_input = np.random.rand(1,28,28,1).astype(np.float32)
# 执行卷积操作
output = model(test_input)
print("Conv2D测试成功，cuDNN初始化正常！")

如果这段代码能正常运行，说明你的环境配置没问题，之前的错误大概率是训练时内存不足，调整batch_size即可。

内容的提问来源于stack exchange，提问作者Thinker