1. 为什么选择WSL2Ubuntu22.04做AI开发很多刚接触AI开发的Windows用户都会遇到一个灵魂拷问到底是在Windows原生环境装Python和PyTorch还是装双系统实测下来这两种方案都有明显缺陷。Windows原生安装经常遇到CUDA版本冲突问题而双系统又需要频繁重启切换。WSL2Windows Subsystem for Linux完美解决了这个痛点——它就像在Windows里开了个Linux虚拟机但性能损耗不到传统虚拟机的10%。我去年帮实验室20多个同学配置环境时90%的坑都集中在CUDA版本和驱动兼容性上。WSL2最大的优势是直接共享Windows的NVIDIA显卡驱动这意味着你不需要在Ubuntu里重复安装驱动也不会出现Windows和Linux驱动互相打架的情况。根据NVIDIA官方文档WSL2的CUDA性能可以达到原生Linux的90%以上这对深度学习训练完全够用。Ubuntu 22.04 LTS是目前最稳定的选择它默认的GCC 11.3和GLIBC 2.35能完美兼容PyTorch 2.0版本。更重要的是这个组合经过大量开发者验证遇到问题容易找到解决方案。比如上周有个同学在PyTorch 1.12上遇到cuDNN报错Stack Overflow上就有现成的修复方案。2. 手把手配置WSL2环境2.1 启用Windows功能组件首先用管理员身份打开PowerShell不是CMD运行这个命令检查系统版本winver必须确认Windows版本号≥21H2Build 22000老版本会遇到各种玄学问题。接着执行dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart这两个命令会启用WSL和虚拟机平台功能。重启后还需要设置WSL2为默认版本wsl --set-default-version 22.2 安装Ubuntu 22.04 LTS打开Microsoft Store搜索Ubuntu 22.04 LTS千万别装成20.04或18.04版本。安装完成后首次启动会提示设置用户名密码这里有个细节密码输入时不会显示字符不是卡住了正常输入后回车即可。如果C盘空间紧张可以用wsl --export命令把系统迁移到其他分区。我习惯把WSL放在D盘wsl --export Ubuntu-22.04 d:\wsl\ubuntu.tar wsl --unregister Ubuntu-22.04 wsl --import Ubuntu d:\wsl\ d:\wsl\ubuntu.tar3. CUDA Toolkit安装避坑指南3.1 选择正确的CUDA版本这是最容易翻车的环节首先确认Windows已安装最新NVIDIA驱动然后在Ubuntu里运行nvidia-smi你会看到类似这样的输出----------------------------------------------------------------------------- | NVIDIA-SMI 525.85.12 Driver Version: 528.49 CUDA Version: 12.0 | |---------------------------------------------------------------------------这里的关键是Driver Version对应的CUDA Version比如显示12.0就说明最高支持CUDA 12.0。但PyTorch稳定版可能只支持到11.8这时候要装11.8而不是12.0。3.2 安装CUDA Toolkit官方推荐用apt安装而不是runfile方式。先清理旧密钥sudo apt-key del 7fa2af80然后添加NVIDIA仓库以CUDA 11.8为例wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/3bf863cc.pub sudo add-apt-repository deb https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/ / sudo apt-get update sudo apt-get -y install cuda-11-84. Miniconda与PyTorch环境配置4.1 安装Miniconda3推荐使用清华镜像下载Minicondawget -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh chmod x Miniconda3-latest-Linux-x86_64.sh ./Miniconda3-latest-Linux-x86_64.sh安装时注意这两个选择安装路径建议改成/opt/miniconda3需要sudo遇到conda init时选no4.2 配置PyTorch环境创建新环境时指定Python版本PyTorch推荐3.8-3.10conda create -n pytorch python3.9 conda activate pytorch用官方命令安装PyTorch以CUDA 11.8为例conda install pytorch torchvision torchaudio pytorch-cuda11.8 -c pytorch -c nvidia验证安装是否成功import torch print(torch.cuda.is_available()) # 应该输出True print(torch.rand(5,3).cuda()) # 应该显示张量在GPU上5. 常见问题解决方案5.1 CUDA版本不匹配如果遇到CUDA driver version is insufficient错误说明PyTorch需要的CUDA版本比驱动支持的更高。解决方法是升级Windows的NVIDIA驱动或者安装更低版本的PyTorch5.2 WSL2内存泄漏长期训练时WSL2可能内存暴涨解决方法是在用户目录创建.wslconfig文件[wsl2] memory16GB # 根据你内存大小调整 swap8GB localhostForwardingtrue5.3 文件系统性能优化WSL2访问Windows文件性能较差建议项目代码放在Ubuntu文件系统内如~/projects大数据集通过/mnt/host访问Windows盘符映射为/mnt/c等最后提醒一点所有环境变量配置建议写在~/.bashrc里而不是/etc/profile避免权限问题。每次修改后记得执行source ~/.bashrc使配置生效。