电脑配置： 系统Ubuntu14.04 cuda——8.0.61 NVIDIA驱动375.65 cudnn5.1  gpu：NVIDIA1070
报错：ImportError：libcudart.so.8.0：无法打开共享对象文件：没有这样的文件或目录
一个非常好用的教程：http://blog.csdn.net/u011197534/article/details/52965413按照这个教程走下去不会有问题，笔者试了不下十次，这个教程亲测有效，请不要忽略细节哦！
一般基于NVIDIA的GPU版本安照教程装好后都会报错，很多朋友都遇到！我遇到过两次一次是libcudnn.so.5的链接问题，这次是ImportError：libcudart.so.8.0：无法打开共享对象文件：没有这样的文件或目录，其实这两次的问题都一样。
先讲讲第一次问题的解决方法是：
sudo cp libcudnn.so libcudnn_copy.so
sudo cp libcudnn.so.5 libcudnn_copy.so.5(这两条可以不要，但是在Ubuntu系统中做任何删除的事情，请注意备份哦！小心为了，笔者曾因为不小心重装过系统n次，血的教训，备份，备份，备份！)
sudo rm libcudnn.so
sudo rm libcudnn.so.5
sudo ln -s libcudnn.so.5.1.10 libcudnn.so.5
sudo ln -s libcudnn.so.5 libcudnn.so
建立软链接后，从新运行无问题：
2017-08-09 14:49:22.663563: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-09 14:49:22.663578: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-09 14:49:22.663581: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-08-09 14:49:22.663584: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-09 14:49:22.663586: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
2017-08-09 14:49:22.995677: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:893] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2017-08-09 14:49:22.995955: I tensorflow/core/common_runtime/gpu/gpu_device.cc:940] Found device 0 with properties:
name: GeForce GTX 1070
major: 6 minor: 1 memoryClockRate (GHz) 1.7845
pciBusID 0000:01:00.0
Total memory: 7.92GiB
Free memory: 7.41GiB
2017-08-09 14:49:22.995965: I tensorflow/core/common_runtime/gpu/gpu_device.cc:961] DMA: 0
2017-08-09 14:49:22.995969: I tensorflow/core/common_runtime/gpu/gpu_device.cc:971] 0:   Y
2017-08-09 14:49:22.995974: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1030] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX 1070, pci bus id: 0000:01:00.0)
第二次问题的解决方法是：
其实他是配置问题，没有资源共享，因此运行如下指令：
sudo ldconfig /usr/local/cuda/lib（64） 需不需要加64根据自己安装的文件夹查看情况来确定！
但是运行这个命令后可能会报错，报错为：
/sbin/ldconfig.real: /usr/local/cuda/lib64/libcudnn.so.5不是符号连接
因此这样又回到了第一个问题，所以我们只要用第一个问题的解决办法输入命令运行即可消除这个报错。
然后在输入：sudo ldconfig /usr/local/cuda/lib（64）
就不会报错了！
在用你的tensorflow去测试你的GPU版本的程序即可得到：
2017-08-09 14:49:22.663563: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-09 14:49:22.663578: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-09 14:49:22.663581: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-08-09 14:49:22.663584: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-09 14:49:22.663586: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
2017-08-09 14:49:22.995677: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:893] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2017-08-09 14:49:22.995955: I tensorflow/core/common_runtime/gpu/gpu_device.cc:940] Found device 0 with properties:
name: GeForce GTX 1070
major: 6 minor: 1 memoryClockRate (GHz) 1.7845
pciBusID 0000:01:00.0
Total memory: 7.92GiB
Free memory: 7.41GiB
2017-08-09 14:49:22.995965: I tensorflow/core/common_runtime/gpu/gpu_device.cc:961] DMA: 0
2017-08-09 14:49:22.995969: I tensorflow/core/common_runtime/gpu/gpu_device.cc:971] 0:   Y
2017-08-09 14:49:22.995974: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1030] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX 1070, pci bus id: 0000:01:00.0)
此刻，恭喜你成功啦！好好开启你的GPU加速之路吧！加油！到这一步不容易！
参考文档：https://github.com/NVIDIA/DIGITS/issues/8

Ubuntu14.04+cuda8.06+cudnn5.1+gtx1070的GPU环境配置中遇到的错误修改参考相关推荐

  1. ubuntu14.04+cuda8.0+cudnn5.1+torch7配置整理

    实际上教程网上有很多,这里说下自己遇到的几个坑. 很少有人提到(包括torch7官方)CUDA与torch的安装顺序,我这里测试发现先安装torch再cuda,总是各种问题,所以,先cuda,cudn ...

  2. Win10+GeForce 940M(CUDA8.0)+Visual Studio 2015的GPU环境配置步骤

    需要安装windows操作系统: 破解Windows操作系统: 升级windows操作系统: 下载显卡驱动: 安装显卡驱动: 下载Visual Studio 2015: 安装Visual Studio ...

  3. ubuntu14.04+CUDA7.5+cuDNN+caffe的超详细完整配置

    版权声明:文章原创,转载请注明出处,多谢! 声明 本文是关于ubuntu14.04+CUDA7.5+cuDNN+caffe的超详细完整配置过程的说明. 小菜是刚接触深度学习领域的小白,在配置caffe ...

  4. Ubuntu18.04深度学习GPU环境配置

    Ubuntu18.04深度学习GPU环境配置 Ubuntu 18.04.cuda 9.0.cuDnn v7.TensorFlow/Keras 与anaconda 1.背景 为了加速神经网络的训练,使用 ...

  5. ubuntu14.04下安装cudnn5.1.3,opencv3.0,编译caffe及配置matlab和python接口过程记录

    已有条件: ubuntu14.04+cuda7.5+anaconda2(即python2.7)+matlabR2014a 上述已经装好了,开始搭建caffe环境. 1. 装cudnn5.1.3,参照: ...

  6. ubuntu16.04+cuda8.0+cudnn5.1+caffe 安装（基于独立主机集成显卡GTX1080Ti）

    最近开始配置自己的深度学习主机,由于之前只在笔记本上和单显卡主机上安装过,所以可以说是zero经验,以至于很多问题不了解都当成了bug,故为了方便以后的自己以及大众,特在此写下post一篇.(由于可能 ...

  7. GPU环境配置指南（Ubuntu16.04+CUDA+CUDNN）

    前言 这两天由于种种原因,反复重装系统并配置了深度学习开发环境,无意中便总结了一份环境配置指南出来,所幸再稍加整理,和大家分享出来. 本指南确认无误的环境是: 系统是Ubuntu16.04 GPU是N ...

  8. 完整的Ubuntu18.04深度学习GPU环境配置，英伟达显卡驱动安装、cuda9.0安装、cudnn的安装、anaconda安装

    文章目录 1.英伟达显卡驱动安装 2.cuda9.0安装 3.cudnn的安装 4.anaconda安装 5.安装TensorFlow和Keras 安装 参考:https://blog.csdn.ne ...

  9. 【奶妈级教程】Ubuntu18.04服务器远程连接的anaconda安装与环境配置

    文章目录 前言 一.服务器anaconda下载安装与配置 二.客户端远程用户conda环境配置步骤 常见问题解答 三.多用户同时用服务器conda运行的兼容性分析 前文链接: [奶妈级教程]Ubunt ...

最新文章

  1. 关于C#中async/await中的异常处理（上）
  2. 常用工具类系列之DateUtil
  3. 如何查看 ToggleStatusComponent 是否是 SAP Spartacus public API 一部分
  4. 设计一个应用程序，以在C＃中的按钮单击事件上在MessageBox中显示TextBox中的文本...
  5. 斗战神 拳猴刷图加点
  6. forEach，for in，for of循环的用法
  7. 山东大学项目实训开发日志一——基于vue+springboot的医院耗材管理系统
  8. NB-IOT (2)---移远BC26模块模组快速入门
  9. Windows批处理(cmd/bat)快速新建文件夹
  10. 《创业维艰》：如何完成比难更难的事
  11. html加密文件怎么解密,如何取消文件的加密保护，如何解密？
  12. PLM Agile 随笔
  13. 云服务器有token_配置node服务器并且链接微信公众号接口配置
  14. 服务器物理内存如何卸载,win7电脑物理内存过高怎么清理
  15. 小德张-清朝最后一位首领太监
  16. 2022年武汉市高新技术企业各区县申报条件补贴、高企迁移奖励补助20万
  17. 抗混叠滤波matlab实现,关于设计抗混叠滤波器的三大注意事项
  18. 奇异值分解及几何意义
  19. Java实现捕鱼达人附源码
  20. 秉火429笔记之十四 USART--串口通信

热门文章

  1. 长江流域9省2市可视化（不展示业务信息水质及真实断面）
  2. 计算机算法专业英语,IT英语1-计算机算法常用术语中英对照
  3. 各种数据库的jdbc驱动下载及连接方式
  4. 拆解富士通笔记本LH531
  5. 基于cn3791的太阳能板充电模块
  6. 还在苦恼BOM,DOM难吗？终极教程一看就会
  7. 简历中尽量不要出现精通_“熟练”“精通”，这些词在简历中要慎用 | 求职干货记...
  8. 接口测试实战流程和步骤小结
  9. Base-Cmd-Commond
  10. pytorch常用函数总结（更新中）