tensorflow无法找到合适的算法进行前向卷积

在上运行PDE示例时

在本地机器的GPU上，我在

step.run（{eps:0.03，阻尼：0.04}）的循环中得到以下错误

I tensorflow/core/common_runtime/gpu/gpu_device.cc:755]创建tensorflow设备（/gpu:0）->（设备：0，名称：GeForce GTX 750 Ti，pci总线id:0000:01:00.0）

F tensorflow/stream_executor/cuda/cuda_dnn.cc:675]检查失败：状态==CUDNN_状态_成功（3对0）无法找到适合进行前向卷积的算法

中止（堆芯转储）

当我使用带有tf.device（'/CPU:0'）的CPU运行代码时：

工作正常。此外，我还使用GPU运行了其他示例

这是他们尚未实现的功能吗？还是我在什么地方出错了

系统信息：

操作系统：Ubuntu 14.04 LTS

图形卡：GeForce GTX 750 Ti

CUDA和cuDNN的安装版本：CUDA 7.5，cuNN v5

我通过从GitHub拉取来安装源代码。有关GitHub问题跟踪器的更多信息：

（1）TensorFlow要求（请参阅TensorFlow手册）

TensorFlow Python API支持Python 2.7和Python 3.3+

GPU版本（仅限Linux）与Cuda Toolkit 7.5和cuDNN v4配合使用效果最佳。仅当从源代码处安装时，才支持其他版本（Cuda toolkit>=7.0和cuDNN 6.5（v2）、7.0（v3）、v5）

（2） 凑合

所以 （2-1）拆下cuDNN5 （2-2）安装cuDNN4和设置

（2-3-1）卸载tensorflow

---

（2-3-2）安装（gpu）tensorflow

请在问题正文中包含一个可运行的示例，而不是作为链接。看见

#Import libraries for simulation
import tensorflow as tf
import numpy as np

sess = tf.InteractiveSession()

def make_kernel(a):
  """Transform a 2D array into a convolution kernel"""
  a = np.asarray(a)
  a = a.reshape(list(a.shape) + [1,1])
  return tf.constant(a, dtype=1)

def simple_conv(x, k):
  """A simplified 2D convolution operation"""
  x = tf.expand_dims(tf.expand_dims(x, 0), -1)
  y = tf.nn.depthwise_conv2d(x, k, [1, 1, 1, 1], padding='SAME')
  return y[0, :, :, 0]

def laplace(x):
  """Compute the 2D laplacian of an array"""
  laplace_k = make_kernel([[0.5, 1.0, 0.5],
                           [1.0, -6., 1.0],
                           [0.5, 1.0, 0.5]])
  return simple_conv(x, laplace_k)



# Initial Conditions -- some rain drops hit a pond
N = 500

# Set everything to zero
u_init = np.zeros([N, N], dtype=np.float32)
ut_init = np.zeros([N, N], dtype=np.float32)

# Some rain drops hit a pond at random points
for n in range(40):
  a,b = np.random.randint(0, N, 2)
  u_init[a,b] = np.random.uniform()


# Parameters:
# eps -- time resolution
# damping -- wave damping
eps = tf.placeholder(tf.float32, shape=())
damping = tf.placeholder(tf.float32, shape=())

# Create variables for simulation state
U  = tf.Variable(u_init)
Ut = tf.Variable(ut_init)

# Discretized PDE update rules
U_ = U + eps * Ut
Ut_ = Ut + eps * (laplace(U) - damping * Ut)

# Operation to update the state
step = tf.group(
  U.assign(U_),
  Ut.assign(Ut_))

# Initialize state to initial conditions
tf.initialize_all_variables().run()

# Run 1000 steps of PDE
nsteps = 1000
for i in range(nsteps):
  # Step simulation
  step.run({eps: 0.03, damping: 0.04})
  # Visualize every 50 steps
  if i % 50 == 0:
    print("iter = %d, max(U) = %f, min(U) = %f" % \
        (i, np.max(U.eval()), np.min(U.eval())))

sess.close()