实际工作当中，经常维护好几个项目的代码，不同项目依赖的TF版本不一致问题。网上找了好多资料，但是每次遇到的问题都不一样，每次都要去查（就是是一样的问题，解决办法也可能会不一样）每次踩坑无数，今天痛定思痛，下决心总结一下。

基本概念

• CUDA：用于GPU编程的语言，跑TF的时候用了GPU，TF里面很多函数（或者依赖库）是CUDA语言编写的。不同TF版本需要不同的CUDA。
• cuDNN：NVIDIA为深度学习，矩阵运算写的一个加速库。CUDA版本必须和cuDNN版本匹配。cuDNN和TF版本匹配与否则无所谓（不过CUDA和TF版本必须匹配，所以cuDNN版本和TF版本是间接依赖关系）。
• TF：这个没什么好说的。个人经验，别用太新的，如果每次都用最新的，那么进而导致CUDA也要不断更新

• CUDA驱动版本：保持最新就好了，CUDA驱动版本要求和CUDA版本匹配，而CUDA又要求cuDNN/TF是匹配的。不过CUDA驱动版本是向下兼容的，所以保持最新就没事。输入nvidia-smi可以查看：

  
  查看CUDA驱动版本

工作当中改如何做？

• 尽量保持最新的CUDA驱动版本
• 维护多个cuda版本：cuda安装到/usr/local/目录下，可以通过命令切换不同版本

sudo rm -rf /usr/local/cuda #删除之前创建的软链接
sudo ln -s /usr/local/cuda-8.0 /usr/local/cuda #创建新 cuda 的软链接

• 将cuDNN和CUDA解耦：说白了就是，二者单独存放，不要混在一起。切换cuDNN只需要在~/.bashrc文件里面设置如下即可：

# 在.bashrc文件里面写入该环境变量，切换cudnn只需要把cudnn设置到/root/cuda路径即可
export LD_LIBRARY_PATH=/root/cuda/lib64:$LD_LIBRARY_PATH

• TF版本别用太新的：使用pip install tensorflow-gpu=1.x.0安装
• 遇到问题不要无脑google：先自行分析原因，尝试办法，然后再google。