tensorflow对cuda和cudnn版本要求严格匹配，如tf 2.15需cuda 11.8+cudnn 8.6、tf 2.16需cuda 12.3+cudnn 8.9；nvidia-smi仅显示驱动支持的最高cuda版本，实际安装版本须用nvcc --version验证；cudnn须手动解压runtime库并正确复制到cuda对应路径，且ld_library_path（linux）或path（windows）必须精准指向新版库文件，同时确保nvidia驱动版本不低于cuda官方要求的最低版本。
确认CUDA和cuDNN版本是否匹配TensorFlow要求
TensorFlow对CUDA和cuDNN版本极其敏感，不是“装了就能用”，而是必须严格对应官方文档列出的组合。比如TensorFlow 2.15要求CUDA 11.8 + cuDNN 8.6，而TensorFlow 2.16开始转向CUDA 12.x（需CUDA 12.3 + cuDNN 8.9）。装错任意一个，import tensorflow时就会报Failed to load library: libcudnn.so.8或libcudart.so.11.0: cannot open shared object file这类错误。
- 查当前TensorFlow版本：
pip show tensorflow - 查官方支持矩阵：访问tensorflow.org/install/gpu，不要依赖第三方博客的过期信息
- 验证已安装的CUDA版本：
nvidia-smi只显示驱动支持的最高CUDA版本，不是实际安装的版本；真正要看的是nvcc --version或/usr/local/cuda/version.txt - cuDNN必须手动下载对应版本的Runtime库（不是Devel），解压后把
lib目录下的文件复制到CUDA安装路径的lib64/下，并确保libcudnn.so.8是软链接指向最新版（如libcudnn.so.8.9.7）
检查LD_LIBRARY_PATH是否包含CUDA库路径
即使CUDA和cuDNN装对了，TensorFlow启动时仍可能找不到动态库，根本原因是系统加载器没搜到路径。Linux下不靠环境变量默认不会扫描/usr/local/cuda/lib64这类路径。
- 临时验证：运行
LD_LIBRARY_PATH=/usr/local/cuda/lib64:/usr/local/cuda/cudnn/lib64 python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))" - 永久生效：在
~/.bashrc或/etc/environment中添加export LD_LIBRARY_PATH=/usr/local/cuda/lib64:/usr/local/cuda/cudnn/lib64:$LD_LIBRARY_PATH，然后source ~/.bashrc - 注意路径顺序：如果系统自带旧版
libcudnn.so.8在/usr/lib/x86_64-linux-gnu/，而你的新版在/usr/local/cuda/cudnn/lib64/，必须把后者放在LD_LIBRARY_PATH前面，否则会优先加载旧版并报符号缺失
验证nvidia-container-toolkit是否干扰Docker内TensorFlow GPU调用
如果你在Docker容器里跑TensorFlow且用--gpus all，但仍然报CUDA库找不到，大概率是容器运行时没正确挂载宿主机的CUDA库路径，或者nvidia-container-toolkit版本太老。
- 检查是否启用NVIDIA Container Runtime：
docker info | grep -i runtime应含nvidia - 确认容器内能访问宿主机CUDA库：
docker run --rm --gpus all nvidia/cuda:11.8.0-runtime-ubuntu22.04 ls /usr/lib/x86_64-linux-gnu/libcudnn.so*—— 如果报错或无输出，说明挂载失败 - 更新工具链：
sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit，再运行sudo systemctl restart docker - 避免在Dockerfile里单独安装CUDA：TensorFlow镜像（如
tensorflow/tensorflow:2.15.0-gpu）已内置匹配的CUDA/cuDNN，直接用它，别在上面再apt install cuda-toolkit
Windows上DLL路径混乱导致找不到cudnn64_8.dll
Windows没有LD_LIBRARY_PATH，依赖PATH查找DLL。TensorFlow 2.10+默认找cudnn64_8.dll，但很多人解压cuDNN后只复制了cudnn.dll（新版命名）或放错位置。
- 必须将cuDNN解压后的
bin/目录（含cudnn64_8.dll）加进系统PATH，不是cuda/bin，也不是cuda/lib/x64 - 用
where cudnn64_8.dll确认PATH中第一个匹配项是否为你期望的路径 - 如果用conda环境，不要用
conda install cudnn——它装的是旧版cuDNN 8.2，与TF 2.15不兼容；改用pip install tensorflow[and-cuda]（TF 2.16+）自动拉取匹配组件 - 关闭IDE（如PyCharm、VS Code）再重启，它们常缓存旧的PATH环境，改了系统变量也不生效
最常被忽略的一点：NVIDIA驱动版本必须≥CUDA Toolkit要求的最低驱动版本。例如CUDA 11.8要求Driver ≥ 520.61.05，nvidia-smi显示470.x就注定失败，重装驱动比重装CUDA更关键。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
