Win11 + WSL2：一站式搭建CUDA与PyTorch深度学习环境

1. 为什么选择Win11 + WSL2做深度学习开发？

最近两年我帮实验室十几台Win11电脑配置过深度学习环境，发现WSL2方案比传统双系统或虚拟机稳定得多。想象一下：你正在写论文代码，突然需要查英文资料，直接Alt+Tab切到浏览器就能继续工作，不用重启切换操作系统。这就是WSL2最爽的地方——Linux的强大终端和Windows的图形界面无缝融合。

具体到深度学习场景，WSL2有三个不可替代的优势：

1. GPU直通性能损失仅3-5%：实测ResNet50训练速度与原生Linux几乎持平
2. 文件系统互通：Windows下的数据集直接拖到WSL里就能用
3. 开发工具链完整：VSCode远程开发插件对WSL有深度优化

不过要注意，你的电脑必须满足：

• Windows 11 21H2或更新版本
• NVIDIA显卡（GTX 10系以上）
• BIOS开启虚拟化（VT-x/AMD-V）

提示：在PowerShell输入wsl -l -v检查现有WSL版本，如果显示WSL1需要先转换

2. 手把手配置WSL2环境

2.1 安装WSL2内核组件

很多人卡在第一步是因为漏装了Windows子系统组件。用管理员权限打开PowerShell执行：

dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

重启后设置WSL2为默认版本：

wsl --set-default-version 2

2.2 选择适合的Linux发行版

微软商店里有十几个发行版可选，我强烈推荐Ubuntu 20.04 LTS（不是原文说的18.04），原因有三：

• 官方长期支持到2025年
• 对CUDA 11.x兼容性最好
• 社区资源最丰富（遇到问题容易搜到解决方案）

安装命令：

wsl --install -d Ubuntu-20.04

第一次启动会让你设置用户名密码，千万别设成root！后面sudo命令会出问题。

2.3 换源加速软件安装

原始文章给的阿里源和清华源都是有效的，但2023年起更推荐中科大源（USTC），实测更新速度更快。完整操作流程：

sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak sudo sed -i 's/archive.ubuntu.com/mirrors.ustc.edu.cn/g' /etc/apt/sources.list sudo sed -i 's/security.ubuntu.com/mirrors.ustc.edu.cn/g' /etc/apt/sources.list

更新软件包缓存时加-y参数避免交互中断：

sudo apt update && sudo apt upgrade -y

3. CUDA驱动安装避坑指南

3.1 Windows端驱动安装

NVIDIA专门为WSL2开发了CUDA on WSL驱动，下载时注意：

• 不要选错显卡型号（笔记本用户注意可能有Max-Q版本）
• 驱动版本必须≥510.47（旧版不支持WSL2 GPU加速）

安装完成后验证：

nvidia-smi

如果看到类似这样的输出，说明驱动正常：

+-----------------------------------------------------------------------------+ | NVIDIA-SMI 510.47.03 Driver Version: 511.65 CUDA Version: 11.6 | |-------------------------------+----------------------+----------------------+

3.2 Linux端CUDA Toolkit安装

原文用的apt安装方式容易产生版本冲突，更稳妥的方法是使用官方runfile：

wget https://developer.download.nvidia.com/compute/cuda/11.6.2/local_installers/cuda_11.6.2_510.47.03_linux.run sudo sh cuda_11.6.2_510.47.03_linux.run

关键配置选项：

• 取消勾选Driver（已安装在Windows端）
• 勾选CUDA Toolkit和samples
• 安装路径保持默认/usr/local/cuda-11.6

环境变量配置要精确到具体版本：

echo 'export PATH=/usr/local/cuda-11.6/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc

验证安装：

nvcc --version

4. Conda环境配置技巧

4.1 Miniconda智能安装

原始文章的手动下载方式已经过时，推荐用自动化脚本：

wget -O miniconda.sh https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash miniconda.sh -b -p $HOME/miniconda

安装后执行初始化：

~/miniconda/bin/conda init

关闭终端重新打开，看到(base)前缀说明成功。

4.2 配置多版本Python环境

创建环境时指定python版本很关键，PyTorch对各版本兼容性不同：

conda create -n torch python=3.9

切换环境时用：

conda activate torch

5. PyTorch安装与验证

5.1 选择正确的安装命令

2023年起PyTorch官方推荐用pip安装（conda源经常滞后）：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu116

重要参数说明：

• cu116表示CUDA 11.6
• 去掉--extra-index-url会安装CPU版本

5.2 深度验证GPU可用性

原始文章的检查方法太简单，建议运行完整测试脚本：

import torch print(f"PyTorch版本: {torch.__version__}") print(f"CUDA可用: {torch.cuda.is_available()}") print(f"GPU数量: {torch.cuda.device_count()}") print(f"当前GPU: {torch.cuda.current_device()}") print(f"设备名称: {torch.cuda.get_device_name(0)}") tensor = torch.randn(3,3).cuda() print(tensor.matmul(tensor.T))

预期看到类似输出：

PyTorch版本: 1.12.1+cu116 CUDA可用: True GPU数量: 1 当前GPU: 0 设备名称: NVIDIA GeForce RTX 3080 tensor([[ 1.3370, -0.5180, 0.2417], [-0.5180, 1.8971, -0.1846], [ 0.2417, -0.1846, 1.6243]], device='cuda:0')

6. 常见问题解决方案

6.1 CUDA版本不兼容

错误提示CUDA driver version is insufficient时，需要：

1. 在Windows端升级NVIDIA驱动
2. 在WSL中执行sudo apt remove --purge '^nvidia'
3. 重新安装CUDA Toolkit

6.2 共享内存不足

训练时出现Bus error可能是WSL2内存限制导致，在用户目录创建.wslconfig文件：

[wsl2] memory=16GB swap=8GB

然后重启WSL实例：

wsl --shutdown

6.3 图形界面支持

想在WSL里使用GUI程序（如TensorBoard）需要额外配置：

sudo apt install x11-apps -y export DISPLAY=$(cat /etc/resolv.conf | grep nameserver | awk '{print $2}'):0

然后在Windows端安装Xming