服务器上Tensorflow、Keras、Cuda版本不匹配

项目场景：

使用非sudo账号登录linux服务器使用GPU+Keras训练，无法run起来。

问题描述：

2022-07-22 01:29:00.379530: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libcudart.so.11.0'; dlerror: libcudart.so.11.0: cannot open shared object file: No such file or directory; LD_LIBRARY_PATH: “/usr/local/cuda/lib64:/usr/local/cuda-10.0/lib64:/usr/local/cuda/extras/CPUTI/lib64”
2022-07-22 01:29:00.379581: I tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above cudart dlerror if you do not have a GPU set up on your machine.

无法调用相应的CUDA

---

原因分析：

tensorflow和keras和cuda版本不匹配

1. 查看cuda目录，一般cuda在/usr/local下，进入/usr/local/cuda/version.txt看里面实际有的cuda版本是多少。由于tensorflow-gpu会调用这里的cuda文件，也可能是cuda文件夹下太多版本，tensorflow-gpu选了某一个比较低的版本，所以不能只看nvidia-smi显示的cuda版本。
2. keras和tensorflow版本对应，官网上只有cpu和keras的版本对应，实际gpu也是一样，比如tensorflow2.2+keras2.3.1+python3.6可以运行，比如tensorflow-gpu2.2+keras2.3.1+python3.6+cuda10.1也可以运行。

具体来说

1. cuda有两种，分别用于支持driver API的必要文件(如libcuda.so)是由GPU driver installer安装的。nvidia-smi就属于这一类API。
   用于支持runtime API的必要文件(如libcudart.so以及nvcc)是由CUDA Toolkit installer安装的。（CUDA Toolkit Installer有时可能会集成了GPU driver Installer）。nvcc是与CUDA Toolkit一起安装的CUDA compiler-driver tool，它只知道它自身构建时的CUDA runtime版本。它不知道安装了什么版本的GPU driver，甚至不知道是否安装了GPU driver。
   综上，如果driver API和runtime API的CUDA版本不一致可能是因为你使用的是单独的GPU driver installer，而不是CUDA Toolkit installer里的GPU driver installer。

2. runtime和driver API区别
   runtime和driver API在很多情况非常相似，也就是说用起来的效果是等价的，但是你不能混合使用这两个API，因为二者是互斥的。也就是说在开发过程中，你只能选择其中一种API。简单理解二者的区别就是：runtime是更高级的封装，开发人员用起来更方便，而driver API更接近底层，速度可能会更快。

3. 与cuda相对应的，还有个，cudnn，cudnn是一个为深度学习计算设计的软件库，提供对应的计算函数，如卷积等，还有很多其他的软件库和中间件，包括实现c++ STL的thrust、实现快速傅里叶变换的cuFFT、实现gpu版本blas的cublas、实现稀疏矩阵运算操作的cuSparse、实现深度学习网络加速的cuDNN等等

---

解决方案：

根据cuda文件下的cuda版本安装对应的tensorflow-gpu，由于没有sudo权限，无法修改cuda文件夹中的内种，因此需要优先迁就cuda版本。