在pycharm中出现不能使用tensorflow，查找不到CUDA9.0链接库的问题

最新推荐文章于 2026-06-21 09:58:06 发布

原创最新推荐文章于 2026-06-21 09:58:06 发布 · 1.1k 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#服务器

收录于

服务器维护日志专栏收录该内容

3 篇文章

订阅专栏

本文描述了在遇到ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory错误时的三种解决尝试。首先尝试修改/etc/profile中的LD_LIBRARY_PATH和设置CUDA_HOME，接着在PyCharm环境中添加变量，最后尝试直接复制所需链接库到系统文件夹。文章记录了每种方法的执行过程及结果。

问题描述

ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory

尝试一

/etc/profile中添加LD_LIBRARY_PATH, CUDA_HOME

LD_LIBRARY_PATH="$IDE_BIN_HOME:$LD_LIBRARY_PATH" "$JAVA_BIN" 
CUDA_HOME=/usr/local/cuda

失败

尝试二

在pycharm环境变量中添加上述变量
进入菜单Edit->Run configurations中，重新添加环境变量

失败

尝试三

直接将用到的链接库复制到系统文件夹

解决

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

_此心安处是吾乡

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

pycharm 直接图标打开不能找到CUDA -- libcusolver.so.10.0

qq_41883764的博客

12-15

1442

pycharm 直接图标打开不能找到CUDAUbuntu安装pycharm的步骤创建桌面图标（如果你已经创建但出现了找不到cuda的问题，直接注意下图Exec的第一项就好了）作者所用配置：Ubuntu16.04, pycharm-community-2019.2.1, cuda10 本文主要解决的问题：直接打开pycharm图标运行出现下面的错误 ImportError: libcusolve...

参与评论您还未登录，请先登录后发表或查看评论

【BUG解决】pytorch识别不到cuda问题 torch.cuda.is_available() False问题解决

明月下

09-15

2665

print(torch.__version__)正常，但 torch.cuda.is_available() False，尝试1. 卸载&重新安装cuda版本的pytorch2. 在环境变量中增加export CUDA_VISIBLE_DEVICES=03. 更新nvidia-apt-get install nvidia-modprobe。最终采用重启大法

pycharm不能调用tensorflow-gpu的问题

jenkinwey的博客

05-11

2919

pycharm不能调用tensorflow-gpu的问题在终端import tensorflow没有问题↓ 但是在pycharm中导入却不能使用GPU 报错： 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:

解决pycharm中没有cuda的问题

weixin_52300580的博客

06-10

3188

1 model.load_state_dict(torch.load(modelpath))------> model.load_state_dict(torch.load(modelpath, map_location=torch.device('cpu'))) 2 将出现 ".cuda()"的地方全修改为“.to(device)”

pycharm找不到cuda

罗思哲的博客

04-01

2640

学习torch-geometrics时，在pycharm里直接运行代码发现报错： ImportError: libcusparse.so.11.0: cannot open shared object file: No such file or directory 找不到cuda相关文件，在terminal中echo相关环境变量如$PATH或$LD_LIBRARY_PATH等均已配置正常。搜索发现原因是由于pycharm找不到cuda而与系统无关。解决办法（不知是否彻底）是在终端：sudo ldconfig

Ubuntu安装cuda10+cudnn7.5+Tensorflow2.0

热门推荐

知行_那片天

05-13

1万+

Ubuntu安装cuda10+cudnn7.5+Tensorflow2.0 安装NVIDIA驱动下载NVIDIA驱动 TensorFlow2.0需要cuda10，所以应该装410.48以上版本驱动 CUDA Toolkit Linux x86_64 Driver Version Windows x86_64 Driver Version CUDA 10.1.105 >= 4...

从CUDA版本到Python环境：彻底解决TensorFlow导入失败的‘玄学’问题

chongtai6075的博客

06-14

415

本文深入解析TensorFlow导入失败的常见问题，特别是‘ImportError: initialization failed’错误，提供从CUDA版本匹配到Python环境隔离的系统化解决方案。通过真实案例和详细诊断命令，帮助开发者彻底解决环境依赖冲突，确保TensorFlow稳定运行。

ubuntu+GTX1060等+cuda+cudnn+caffe+tensorflow-gpu

Draw_1999的博客

07-09

474

安装版本： ubuntu18.04以下，GTX10系列（即非RTX20），cuda8-9均可，安装并配置caffe,tenforflow-gpu,pycharm,matlab,QT 1.安装NVIDIA驱动安装相关依赖： sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev p...

固态、机械双硬盘+UEFI、APT+Win10、Ubuntu18.04LTS双系统+GTX 1080Ti+Cuda9.0+cudnn7.1.4+Tensorflow1.12

朱晓海的博客

11-07

2977

固态、机械双硬盘+UEFI、APT+Win10、Ubuntu18.04LTS双系统+GTX 1080i+Cuda9.0+cudnn7.1.4+Tensorflow1.121、在Win10上装Ubuntu18.04LTS双系统2、在Ubuntu18.04LTS上面配置开发环境3、安装tensowflow3.1 准备工作3.2 安装显卡驱动3.3 安装cuda3.4 安装cudnn3.5 安装open...

【深度学习】pycharm使用tensorflow-gpu版本出现的坑

qq_36807551的博客

12-19

2803

错误1 在ubuntu18.04 环境安装pycharm，当创建项目的时候（或配置解释器的时候）报错如下： pycharm ModuleNotFoundError: No module named 'distutils.core' ubuntu18.04 默认没有安装 pip ，需要安装 python-pip，即可解决 sudo apt-get install python-pip ...

配制远程服务器跑深度学习Ubuntu 16.04/tensorflow-GPU2.0.0/Driver Version: 440.44/CUDA10.0.130，CUDNN7.6.4/pycharm

weixin_43942515的博客

06-28

574

配制远程服务器跑深度学习Ubuntu 16.04/tensorflow-GPU2.0.0/Driver Version: 440.44/CUDA10.0.130，CUDNN7.6.4/pycharm 本文以搭建学校实验室远程服务器为例，尽肯能用简洁的语言描述。注！安装之前一定要选择对应的版本（包括Tensorflow，CUDA,CUDNN），参考表查看cuda 版本 cat /usr/local/cuda/version.txt 查看cudnn 版本 cat /usr/local/cuda/includ

ubuntu16.4+pycharm使用tensorflow-gpu版本出现的问题

zhangyue123的博客

04-07

253

错误运行项目时，报错 ImportError:libcublas.so.9.0:cannot open shared object file:No such file or dircetory 设置环境变量和动态链接库，在命令行输入： sudo gedit /etc/profile 在打开的文件末尾加入： export PATH = /usr/local/cud...

window10下安装tensorflow1.11+cuda9+cuDnn7+anaconda3-5.3

星之所望的博客

11-22

991

安装Anaconda和Tensorflow 一开始使用pycharm自带的第三方库安装方法安装TensorFlow1.12，但是无论如何都提示缺少动态链接库，重装了多遍vc++2015都没有用，实在找不到解决方法的时候，遇到了救星Anaconda 以下安装参考： https://blog.csdn.net/luffysam/article/details/82949864 步骤 1、从官...

Tensorflow

Yu_xiao_po的博客

07-08

149

因为之前装过了python，然后因为各种版本问题被坑到凉凉。先解决pip识别的版本不匹配的问题，因为装Tensorflow，先装Anacoda,Anacoda自带python，我要下载tensorflow，先让我的pip识别到的python版本为Anacoda的，我简单粗暴的方法是直接将之前python的包给删掉了，也不知道会不会有别的不良后果。 pip下...

Ubuntu 16.04 + GTX1080ti + CUDA8.0 + cudnn5.1 + tensorflow

Tramac的博客

07-06

2703

模块安装Ubuntu 16.04 安装显卡驱动安装CUDA8.0 安装cudnn5.1 安装tensorflow 安装Pycharm 安装Ubuntu 16.04 分区：/boot:200M、swap:8G、/:>60G、/home:剩余全部，均为逻辑分区，起始位置，注意将引导项设置为/boot所在分区。分辨率调整，安装完毕后，由于没有安装显卡驱动，分辨率很低，可以手动修改一下grub文件：

从‘恨’到‘乐’：一个数据科学家的Shap环境配置心路历程与高效调试技巧

weixin_33714884的博客

04-26

465

本文分享了一位数据科学家在Shap环境配置中的心路历程与高效调试技巧。从解决NumPy版本冲突到处理DLL加载失败，文章提供了详细的版本锁定方案和开发环境管理技巧，帮助读者快速掌握Shap环境配置的艺术，提升工作效率。

CentOS 8 Python环境隔离实战：源码/pyenv/conda三路径详解

最新发布

weixin_30268071的博客

06-21

334

Python环境隔离是Linux系统工程中的基础安全实践，其核心在于避免污染系统级Python解释器与依赖链。原理上，CentOS 8的/usr/bin/python3被dnf、firewall-cmd等关键服务深度绑定，替换将导致包管理器崩溃与系统功能异常。技术价值体现在稳定性保障、多版本共存、ABI兼容性控制及生产环境可重现性。典型应用场景包括AI模型部署（需conda create -n pytorch_env python=3.9）、跨项目开发（依赖pyenv local版本切换）以及金融级合规运维

Ubuntu 18.04 安装 Anaconda 深度适配指南

weixin_30687051的博客

06-19

416

Anaconda 是面向数据科学的 Python 发行版，其核心原理是通过自包含二进制分发与独立环境管理（conda）解耦系统级包管理。技术价值在于规避 apt/pip 与科学计算栈的版本冲突，保障 NumPy、SciPy、Jupyter 等关键组件稳定运行。典型应用场景包括机器学习开发、论文代码复现及 PyCharm/VS Code IDE 集成。然而在 Ubuntu 18.04（glibc 2.27 + systemd + GNOME Terminal 默认非登录 Shell）上，直接套用通用脚本极易引

Ubuntu 20.04 安装 Anaconda：科学计算环境的工程化起点

weixin_30675247的博客

06-19

419

Python 科学计算环境的核心挑战在于跨平台二进制兼容性与依赖可复现性。conda 作为语言无关的二进制包管理器，通过预编译、glibc 特定适配和沙箱化部署，从根本上解决 Ubuntu 等 LTS 系统中 apt 源陈旧、pip 编译失败、CUDA 版本冲突等高频痛点。其环境隔离机制（如 conda env）支持多 Python 版本共存与项目级依赖锁定，显著提升数据工程、AI 开发和量化研究的交付确定性。本文聚焦 Ubuntu 20.04 这一广泛使用的生产级 LTS 平台，详解 Anaconda 的

论文复现实战指南：从环境配置到loss调试的七步法

cunbei2644的博客

06-16

339

深度学习论文复现是连接理论与工程的关键实践，其本质是将算法描述转化为可执行、可验证、可调试的代码流程。核心原理在于解决环境依赖（CUDA/PyTorch版本匹配）、数据加载（路径/格式/预处理对齐）与训练闭环（loss数值、梯度、logits一致性）三重挑战。技术价值体现在建立‘公式-代码-数据-结果’四维映射能力，显著提升科研上手效率与模型理解深度。典型应用场景包括本科生课程设计、AI转行者项目验证、研究生baseline复现等。本文聚焦真实开发环境下的论文复现落地，系统拆解环境隔离、最小可运行配置（MR