升级CUDA与cuDNN适配TensorFlow-GPU 1.8的最佳实践咨询

作为刚从TF-GPU 1.2升级到1.8的过来人，结合你给出的环境配置（Ubuntu 16.04、GTX 1080 Ti、NVIDIA驱动384.111、Anaconda 4.4.0、CUDA 8.0、cuDNN 5.1），给你梳理一套踩过坑后总结的最佳实践，帮你顺利完成升级：

一、先确认核心兼容性要求 #

根据TensorFlow官方的适配规则，TF-GPU 1.8必须搭配CUDA 9.0和cuDNN 7.0.x，而你的NVIDIA驱动版本384.111刚好满足最低要求（TF 1.8要求驱动≥384.xx），这点不用折腾驱动，省了不少事！

二、备份现有环境（重中之重） #

升级前一定要做好备份，避免出问题回不去原来的工作环境：

• 克隆当前的conda环境（假设你原来的TF 1.2环境名为tf12_env，换成你实际的名字即可）：

  conda create --name tf12_backup --clone tf12_env
  

• 导出环境配置文件，方便后续恢复：

  conda env export > tf12_env.yml
  

三、卸载旧版CUDA 8.0 #

为了避免版本冲突，建议彻底卸载CUDA 8.0（注意不要误删NVIDIA驱动）：

sudo apt-get remove --purge cuda-8-0
sudo apt-get autoremove
sudo apt-get autoclean

四、安装CUDA 9.0 #

1. 下载适配Ubuntu 16.04的CUDA 9.0 deb安装包
2. 执行以下命令完成安装：

   sudo dpkg -i cuda-repo-ubuntu1604-9-0-local_9.0.176-1_amd64.deb
   sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub
   sudo apt-get update
   sudo apt-get install cuda-9-0
   

3. 配置环境变量，编辑~/.bashrc文件，添加以下内容：

   export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
   export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
   

4. 让环境变量生效：

   source ~/.bashrc
   

五、安装对应版本的cuDNN #

TF 1.8需要cuDNN 7.0.x（推荐7.0.5，适配CUDA 9.0）：

1. 下载cudnn-9.0-linux-x64-v7.tgz压缩包
2. 解压并复制文件到CUDA目录：

   tar -xzvf cudnn-9.0-linux-x64-v7.tgz
   sudo cp cuda/include/cudnn.h /usr/local/cuda-9.0/include
   sudo cp cuda/lib64/libcudnn* /usr/local/cuda-9.0/lib64
   sudo chmod a+r /usr/local/cuda-9.0/include/cudnn.h /usr/local/cuda-9.0/lib64/libcudnn*
   

六、安装TensorFlow-GPU 1.8 #

推荐创建全新的conda环境，避免和旧环境的依赖冲突：

1. 创建并激活新环境：

   conda create -n tf18_env python=3.6
   conda activate tf18_env
   

2. 安装TF-GPU 1.8.0：

   pip install tensorflow-gpu==1.8.0
   

   （如果偏好conda安装，也可以用conda install tensorflow-gpu==1.8.0，但pip版本的适配性更稳定）

七、验证安装是否成功 #

启动Python，执行以下代码：

import tensorflow as tf
# 创建会话验证GPU是否正常加载
with tf.Session() as sess:
    print(tf.__version__)
    print("GPU可用：", tf.test.is_gpu_available())

如果输出中显示TF版本为1.8.0，且GPU可用为True，同时没有报错信息，就说明安装成功了。

踩过的坑点提醒 #

• 不要同时保留多个CUDA版本，新手直接卸载旧版本装新的，避免环境变量混乱。
• cuDNN版本必须严格和CUDA对应，用旧的cuDNN 5.1会直接导致TF初始化失败。
• 一定要用全新的conda环境，旧环境中的numpy、keras等依赖版本可能和TF 1.8不兼容。
• 安装CUDA时不要勾选驱动安装选项，你的现有驱动已经满足要求，重装驱动容易引发黑屏等问题。

内容的提问来源于stack exchange，提问作者DocDriven