WSL2 Ubuntu 20.04 CUDA 11.4 配置全攻略告别双系统玩转深度学习在Windows系统上进行深度学习开发传统方案往往需要安装双系统或虚拟机既占用磁盘空间又影响性能。如今随着WSL2的成熟和CUDA对WSL2的支持开发者可以在Windows上获得接近原生Linux的开发体验。本文将详细介绍如何在WSL2中配置Ubuntu 20.04和CUDA 11.4环境让你无需双系统也能高效进行深度学习开发。1. 环境准备与系统要求1.1 硬件与软件需求在开始配置前请确保你的设备满足以下基本要求Windows版本Windows 10 2004内部版本19041或更高或Windows 11显卡NVIDIA显卡支持CUDA计算内存建议16GB或以上深度学习模型训练对内存要求较高存储空间至少20GB可用空间用于安装Ubuntu和CUDA工具包提示可通过WinR输入winver查看Windows版本和内部版本号。1.2 启用Windows功能WSL2需要启用以下Windows功能以管理员身份打开PowerShell执行以下命令dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart重启计算机使更改生效2. 安装与配置WSL22.1 安装WSL2内核更新微软提供了专门的WSL2内核更新包需要手动下载安装访问微软官方WSL2安装页面下载并运行适用于你系统架构的更新包x64或ARM64设置WSL2为默认版本wsl --set-default-version 22.2 安装Ubuntu 20.04 LTS打开Microsoft Store搜索Ubuntu 20.04 LTS并安装安装完成后从开始菜单启动Ubuntu首次启动会提示创建用户名和密码无需与Windows账户相同2.3 优化WSL2配置为了提高WSL2的性能建议进行以下配置创建或编辑%USERPROFILE%\.wslconfig文件添加以下内容[wsl2] memory8GB processors4 swap4GB localhostForwardingtrue重启WSL以使配置生效wsl --shutdown3. 配置CUDA环境3.1 安装Windows端NVIDIA驱动在WSL2中使用CUDA需要先在Windows端安装特定驱动访问NVIDIA CUDA on WSL驱动下载页面选择与你的显卡匹配的最新驱动版本下载安装安装完成后重启计算机3.2 在Ubuntu中安装CUDA Toolkit更新Ubuntu软件包索引sudo apt update sudo apt upgrade -y安装CUDA Toolkit 11.4针对Ubuntu 20.04wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub sudo add-apt-repository deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ / sudo apt update sudo apt install -y cuda-toolkit-11-4将CUDA路径添加到环境变量echo export PATH/usr/local/cuda-11.4/bin${PATH::${PATH}} ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-11.4/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}} ~/.bashrc source ~/.bashrc3.3 验证CUDA安装检查NVIDIA驱动是否可用nvidia-smi检查CUDA编译器是否正常工作nvcc --version运行简单的CUDA示例程序cd /usr/local/cuda-11.4/samples/1_Utilities/deviceQuery sudo make ./deviceQuery如果看到Result PASS说明CUDA环境配置成功。4. 深度学习框架安装与测试4.1 安装Miniconda推荐使用Miniconda管理Python环境wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh按照提示完成安装后初始化condasource ~/.bashrc4.2 创建并激活虚拟环境conda create -n dl python3.8 -y conda activate dl4.3 安装PyTorch with CUDA支持conda install pytorch torchvision torchaudio cudatoolkit11.3 -c pytorch注意PyTorch官方提供的CUDA 11.3版本与CUDA 11.4兼容无需担心版本差异。4.4 测试PyTorch GPU支持启动Python解释器并执行以下代码import torch print(torch.cuda.is_available()) # 应返回True print(torch.cuda.get_device_name(0)) # 显示你的GPU型号5. 图形界面与开发工具配置5.1 安装GNOME桌面环境虽然WSL2主要面向命令行使用但有时图形界面也很必要安装GNOME桌面核心组件sudo apt install ubuntu-desktop gnome-terminal -y安装X服务器客户端Windows端推荐使用VcXsrv安装后启动XLaunch选择Multiple windowsDisplay number设为0勾选Disable access control配置Ubuntu端的DISPLAY环境变量echo export DISPLAY$(grep nameserver /etc/resolv.conf | awk {print $2}):0 ~/.bashrc echo export XDG_SESSION_TYPEx11 ~/.bashrc source ~/.bashrc启动GNOME桌面sudo service dbus start gnome-session5.2 配置VS Code远程开发在Windows上安装VS Code和Remote - WSL扩展在WSL终端中输入code .启动VS Code并自动安装WSL服务器组件安装Python、Pylance等扩展享受完整的开发体验6. 常见问题与解决方案6.1 CUDA安装失败问题sudo apt install cuda-toolkit-11-4失败提示依赖问题解决方案清理apt缓存并重试sudo apt clean sudo apt update --fix-missing如果问题依旧尝试更换软件源sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak sudo sed -i s/archive.ubuntu.com/mirrors.aliyun.com/g /etc/apt/sources.list sudo apt update6.2 nvidia-smi命令无输出问题在WSL中执行nvidia-smi没有输出解决方案确保Windows端已安装正确的NVIDIA驱动重启WSLwsl --shutdown检查Windows服务NVIDIA LocalSystem Container是否正在运行6.3 内存不足问题问题训练大型模型时内存不足解决方案调整.wslconfig中的内存限制使用更小的batch size考虑使用混合精度训练减少内存占用7. 性能优化技巧文件系统性能将项目文件存储在WSL文件系统中\\wsl$\而非Windows文件系统GPU利用率监控使用watch -n 0.5 nvidia-smi实时监控GPU使用情况多GPU训练PyTorch自动支持多GPU数据并行只需确保CUDA_VISIBLE_DEVICES环境变量设置正确Docker支持WSL2支持Docker可以方便地部署预配置的深度学习环境curl -fsSL https://get.docker.com | sh sudo usermod -aG docker $USERJupyter Notebook配置在WSL中运行Jupyter Notebook通过Windows浏览器访问jupyter notebook --ip0.0.0.0 --no-browser在Windows浏览器中打开http://localhost:8888即可访问