libonnxruntime_providers_cuda.so with error: libcudnn_adv.so.9

在安装了 onnxruntime-gpu 后,使用 CUDA 时报错:

shell 复制代码
2025-01-02 11:40:03.935340441 [E:onnxruntime:Default, provider_bridge_ort.cc:1862 TryGetProviderInfo_CUDA] /onnxruntime_src/onnxruntime/core/session/provider_bridge_ort.cc:1539 onnxruntime::Provider& onnxruntime::ProviderLibrary::Get() [ONNXRuntimeError] : 1 : FAIL : Failed to load library libonnxruntime_providers_cuda.so with error: libcudnn_adv.so.9: cannot open shared object file: No such file or directory

2025-01-02 11:40:03.935371734 [W:onnxruntime:Default, onnxruntime_pybind_state.cc:993 CreateExecutionProviderInstance] Failed to create CUDAExecutionProvider. Require cuDNN 9.* and CUDA 12.*. Please install all dependencies as mentioned in the GPU requirements page (https://onnxruntime.ai/docs/execution-providers/CUDA-ExecutionProvider.html#requirements), make sure they're in the PATH, and that your GPU is supported.

很明显,cudnn 并为正确配置。

首先需要说明:

PyTorch 的许多预编译版本(如通过 pip 或 conda 安装)会自带 CUDA 和 cuDNN。它会直接使用打包的版本,而不是依赖系统中全局安装的库。
ONNX Runtime 需要系统中明确安装且可用的 cuDNN 动态库

安装 cudnn,注意版本对应:

https://developer.nvidia.com/cudnn-downloads

shell 复制代码
proxychains4 wget https://developer.download.nvidia.com/compute/cudnn/redist/cudnn/linux-x86_64/cudnn-linux-x86_64-9.1.0.70_cuda12-arch
ive.tar.xz

解压下载的文件:

shell 复制代码
tar -xvf cudnn-linux-x86_64-9.1.0.70_cuda12-archive.tar.xz

解压后,会看到一个名为 cuda 的目录,包含以下子目录:

  • include/: 包含头文件,如 cudnn.h
  • lib/: 包含动态库,如 libcudnn.so

将解压出来的文件复制到系统的 CUDA 安装路径(默认路径是 /usr/local/cuda/):

shell 复制代码
sudo cp ./cudnn-linux-x86_64-9.1.0.70_cuda12-archive/include/* /usr/local/cuda-12.4/include/

sudo cp ./cudnn-linux-x86_64-9.1.0.70_cuda12-archive/lib/* /usr/local/cuda-12.4/lib64/

更新动态链接库缓存,以确保系统可以正确找到 cuDNN 的动态库文件:

检查 LD_LIBRARY_PATH 是否包含 /usr/local/cuda/lib64:

shell 复制代码
echo $LD_LIBRARY_PATH

如果没有包含,编辑 ~/.bashrc 文件,添加以下内容:

shell 复制代码
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
shell 复制代码
source ~/.bashrc

更新动态库缓存:

shell 复制代码
sudo ldconfig

验证 cuDNN 是否正确安装:

shell 复制代码
ls /usr/local/cuda/lib64 | grep libcudnn

输出:

shell 复制代码
libcudnn_adv.so
libcudnn_adv.so.9
libcudnn_adv.so.9.1.0
libcudnn_adv_static.a
libcudnn_adv_static_v9.a
libcudnn_cnn.so
...

检查 cuDNN 版本:

shell 复制代码
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

输出:

shell 复制代码
#define CUDNN_MAJOR 9
#define CUDNN_MINOR 1
#define CUDNN_PATCHLEVEL 0
相关推荐
绝顶大聪明8 小时前
【深度学习】神经网络-part2
人工智能·深度学习·神经网络
Danceful_YJ9 小时前
16.使用ResNet网络进行Fashion-Mnist分类
人工智能·深度学习·神经网络·resnet
甄卷12 小时前
李沐动手学深度学习Pytorch-v2笔记【08线性回归+基础优化算法】2
pytorch·深度学习·算法
豆豆12 小时前
神经网络构建
人工智能·深度学习·神经网络
一勺汤13 小时前
多尺度频率辅助类 Mamba 线性注意力模块(MFM),融合频域和空域特征,提升多尺度、复杂场景下的目标检测能力
深度学习·yolo·yolov12·yolo12·yolo12改进·小目标·mamba like
霖0016 小时前
神经网络项目--基于FPGA的AI简易项目(1-9图片数字识别)
人工智能·pytorch·深度学习·神经网络·机器学习·fpga开发
神经星星16 小时前
英伟达实现原子级蛋白质设计突破,高精度生成多达800个残基的蛋白质
人工智能·深度学习·机器学习
半城风花半城雨18 小时前
Prompting Engineer 十大核心设计原则
人工智能·深度学习·prompt·prompt engineer
爱学习的茄子18 小时前
JS数组高级指北:从V8底层到API骚操作,一次性讲透!
前端·javascript·深度学习
RethinkFun18 小时前
《RethinkFun深度学习教程》1.1 什么是深度学习?
深度学习