1. WSL2与Ubuntu系统安装在Windows系统上搭建深度学习环境WSL2是目前最友好的解决方案之一。它允许你在Windows系统中运行完整的Linux内核性能接近原生Linux特别适合需要CUDA支持的深度学习工作负载。以下是具体操作步骤首先需要确保你的Windows版本符合要求。WSL2需要Windows 10版本2004或更高版本内部版本19041或更高或者Windows 11。按下WinR键输入winver可以查看当前系统版本。1.1 启用WSL功能以管理员身份打开PowerShell右键开始菜单选择Windows终端(管理员)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完成后重启电脑。重启后再次打开PowerShell设置WSL2为默认版本wsl --set-default-version 21.2 安装Ubuntu发行版打开Microsoft Store应用商店搜索Ubuntu选择最新的LTS版本目前是Ubuntu 22.04 LTS点击安装。安装完成后在开始菜单中找到Ubuntu并启动系统会提示你设置用户名和密码。这里有个实用技巧建议用户名全部使用小写字母且不要包含特殊字符因为后续某些Linux工具对特殊字符支持不完善。密码可以简单设置因为在WSL环境中安全性要求不高。1.3 更新系统组件首次进入Ubuntu后建议立即更新系统软件包。执行以下命令sudo apt update sudo apt upgrade -y这个命令会更新软件包列表并升级所有可升级的软件包。过程中可能会提示你输入密码输入时不会显示字符这是Linux的正常行为。如果遇到Unable to locate package错误可能是软件源的问题可以尝试更换国内镜像源。备份原有源列表sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak然后用nano编辑器修改源列表sudo nano /etc/apt/sources.list将文件内容替换为阿里云镜像源适用于Ubuntu 22.04deb http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ jammy-proposed main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse按CtrlO保存CtrlX退出然后再次运行更新命令。2. Miniconda安装与配置Miniconda是Anaconda的轻量级版本只包含conda、Python和它们依赖的包非常适合作为环境管理工具。相比完整版Anaconda它更节省空间且启动更快。2.1 下载并安装Miniconda在Ubuntu终端中执行以下命令下载最新版Minicondawget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh下载完成后运行安装脚本bash Miniconda3-latest-Linux-x86_64.sh安装过程中会出现许可协议按回车键浏览输入yes同意协议。当询问是否将conda加入PATH时建议选择yes这样可以在任何目录使用conda命令。安装完成后关闭并重新打开终端你会看到命令行前面出现了(base)字样表示conda的基础环境已激活。如果不想每次启动都自动激活base环境可以执行conda config --set auto_activate_base false2.2 配置conda镜像源为了加快包下载速度建议配置国内镜像源。执行以下命令添加清华源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --set show_channel_urls yes3. 创建PyTorch虚拟环境使用conda创建独立的环境可以避免包版本冲突是Python开发的最佳实践。3.1 新建深度学习专用环境执行以下命令创建一个名为d2l的Python 3.9环境conda create -n d2l python3.9创建完成后激活环境conda activate d2l你会看到命令行提示符从(base)变成了(d2l)表示已成功切换到新环境。3.2 安装PyTorch GPU版本PyTorch官方提供了conda一键安装命令。访问PyTorch官网(https://pytorch.org)获取最新的安装命令。以CUDA 11.7为例conda install pytorch torchvision torchaudio pytorch-cuda11.7 -c pytorch -c nvidia这个命令会安装PyTorch及其常用扩展库并自动处理CUDA依赖关系。安装完成后验证GPU是否可用。在Python交互环境中执行import torch print(torch.cuda.is_available()) # 应该输出True print(torch.cuda.get_device_name(0)) # 显示你的GPU型号如果第一行输出False说明GPU支持未正确安装。常见原因包括Windows主机未安装NVIDIA驱动WSL2未正确识别GPUPyTorch版本与CUDA版本不匹配4. CUDA与cuDNN配置虽然conda已经自动安装了CUDA运行时但为了完整性和某些特殊需求你可能需要手动安装完整版CUDA Toolkit。4.1 安装CUDA Toolkit首先添加NVIDIA软件仓库的GPG密钥wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.0-1_all.deb sudo dpkg -i cuda-keyring_1.0-1_all.deb然后更新软件包列表并安装CUDAsudo apt update sudo apt install -y cuda安装完成后将CUDA加入环境变量。编辑~/.bashrc文件nano ~/.bashrc在文件末尾添加export PATH/usr/local/cuda-11.7/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-11.7/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}保存后执行以下命令使更改生效source ~/.bashrc验证安装nvcc --version应该显示CUDA编译器的版本信息。4.2 安装cuDNNcuDNN是NVIDIA提供的深度神经网络加速库。首先从NVIDIA官网下载对应版本的cuDNN需要注册账号然后执行tar -xvf cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include/ sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64/ sudo chmod ar /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*验证安装cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 25. 开发工具与实用技巧5.1 使用VS Code远程开发VS Code的Remote-WSL扩展可以让你在Windows上获得完美的Linux开发体验在Windows上安装VS Code安装Remote - WSL扩展点击左下角绿色图标连接WSL在WSL中打开项目文件夹5.2 Jupyter Notebook配置在conda环境中安装Jupyterconda install jupyter生成配置文件jupyter notebook --generate-config设置访问密码jupyter notebook password启动Notebookjupyter notebook --ip0.0.0.0 --no-browser在Windows浏览器中打开显示的URL即可使用。5.3 性能优化建议将项目文件放在WSL文件系统中如/home/username而不是Windows文件系统如/mnt/c增加WSL内存限制在用户目录创建.wslconfig文件内容为[wsl2] memory8GB processors4定期清理conda缓存conda clean --all这套环境配置方案经过多个实际项目验证能够稳定支持各种深度学习实验。遇到问题时建议先检查各组件版本兼容性这是大多数环境问题的根源。保持conda环境隔离的习惯可以为不同项目创建独立环境避免包冲突。
