【2024】Win11 + WSL2 + Docker Desktop：一站式GPU深度学习环境部署与避坑指南

1. 为什么选择Win11 + WSL2 + Docker Desktop方案

如果你是一名Windows用户，想要搭建深度学习环境，过去可能会面临各种兼容性问题。传统的方案要么性能损失严重，要么配置复杂到让人抓狂。而Win11 + WSL2 + Docker Desktop的组合，可以说是目前Windows平台上最优雅的解决方案。

我最初尝试在Windows上直接安装CUDA和PyTorch，结果被各种依赖冲突折磨得够呛。后来转向WSL2，发现虽然解决了Linux环境的问题，但每次切换项目都要重新配置环境。直到用上Docker Desktop，才真正体会到什么叫"一次配置，到处运行"的爽快感。

这个方案最大的优势在于：

• 性能接近原生Linux：WSL2使用了真正的Linux内核，GPU直通技术让CUDA性能损失不到5%
• 环境隔离干净：每个项目可以用不同的Docker镜像，再也不用担心库版本冲突
• 开发体验统一：VS Code可以无缝连接WSL和Docker环境，代码补全、调试都能正常使用
• 部署方便：本地调试好的镜像可以直接推送到生产服务器

实测下来，在RTX 4090上训练ResNet50，这个方案比原生Windows快3倍，比虚拟机方案快5倍以上。更重要的是，再也不用担心把系统搞崩了——环境出问题？删掉容器重来就行。

2. 环境准备与基础配置

2.1 安装WSL2并配置Ubuntu

首先确保你的Windows 11版本不低于22000，建议更新到最新版。按下Win+X选择"终端(管理员)"，依次执行以下命令：

# 启用WSL功能 dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart # 启用虚拟机平台 dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart # 设置WSL2为默认版本 wsl --set-default-version 2

重启电脑后，打开Microsoft Store安装Ubuntu 22.04 LTS。第一次启动时会提示设置用户名和密码，这里要注意：

• 用户名不要用大写字母，后续Docker挂载目录时可能会出问题
• 密码可以简单点，反正只在WSL内使用

安装完成后，建议执行以下优化配置：

# 更新软件源 sudo apt update && sudo apt upgrade -y # 安装常用工具 sudo apt install -y build-essential curl wget git # 配置SSH（可选但推荐） sudo apt install -y openssh-server sudo sed -i 's/#Port 22/Port 2222/' /etc/ssh/sshd_config sudo service ssh restart

2.2 安装NVIDIA驱动

Windows和WSL2共享同一套NVIDIA驱动，所以只需要在Windows端安装最新驱动即可。去NVIDIA官网下载Game Ready驱动，不要选Studio驱动。

安装完成后，在PowerShell和WSL中分别执行nvidia-smi，应该能看到相同的输出。如果WSL中报错，可能是WSL版本太旧，执行wsl --update升级内核。

我遇到过的一个坑是：某些笔记本的双显卡机型需要在BIOS中禁用集成显卡，否则WSL2无法正确识别独立显卡。如果你发现nvidia-smi显示"No devices were found"，可以尝试这个方案。

3. Docker Desktop深度配置

3.1 安装与WSL2集成

从Docker官网下载Docker Desktop for Windows，安装时务必勾选"Use WSL 2 based engine"选项。安装完成后不要立即启动，先做以下配置：

1. 打开Docker Desktop设置
2. 在"General"中启用"Start Docker Desktop when you log in"
3. 在"Resources" → "WSL Integration"中，为你安装的Ubuntu发行版启用集成

启动Docker Desktop后，在WSL终端执行docker info，应该能看到类似这样的输出：

Server: Containers: 0 Running: 0 Paused: 0 Stopped: 0 Images: 0 Server Version: 24.0.6 Storage Driver: overlay2 Backing Filesystem: extfs Logging Driver: json-file Cgroup Driver: systemd Cgroup Version: 2 ...

3.2 配置NVIDIA Container Toolkit

为了让Docker容器能使用GPU，需要安装NVIDIA Container Toolkit。在WSL中执行以下命令：

# 添加GPG密钥 curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg # 添加仓库 curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \ sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list # 安装工具包 sudo apt update sudo apt install -y nvidia-container-toolkit # 配置Docker运行时 sudo nvidia-ctk runtime configure --runtime=docker sudo systemctl restart docker

验证配置是否成功：

docker run --rm --gpus all nvidia/cuda:12.2.0-base-ubuntu22.04 nvidia-smi

这个命令会下载一个基础CUDA镜像并运行nvidia-smi，你应该能看到和宿主机相同的GPU信息。

4. 构建PyTorch深度学习环境

4.1 使用官方预构建镜像

PyTorch官方提供了丰富的Docker镜像，我们可以直接拉取使用：

# 拉取PyTorch镜像 docker pull pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime # 运行容器并挂载代码目录 docker run -it --gpus all -v $(pwd):/workspace --ipc=host pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime

这里有几个重要参数：

• --gpus all：让容器访问所有GPU
• -v $(pwd):/workspace：把当前目录挂载到容器的/workspace
• --ipc=host：解决多进程共享内存问题

进入容器后，可以验证PyTorch是否正常识别GPU：

import torch print(torch.__version__) # 应该输出2.1.0 print(torch.cuda.is_available()) # 应该输出True

4.2 自定义镜像构建

对于正式项目，建议基于官方镜像构建自定义Dockerfile。创建一个Dockerfile文件：

FROM pytorch/pytorch:2.1.0-cuda12.1-cudnn8-devel # 设置清华镜像源 RUN pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple # 安装项目依赖 COPY requirements.txt . RUN pip install -r requirements.txt # 设置工作目录 WORKDIR /workspace CMD ["/bin/bash"]

然后构建镜像：

docker build -t my-pytorch .

我习惯为每个项目创建单独的镜像，这样不同项目的依赖完全隔离。比如一个做CV的镜像可以安装OpenCV，另一个做NLP的镜像安装transformers。

5. 开发环境实战技巧

5.1 VS Code远程开发配置

VS Code的Remote - WSL和Remote - Containers扩展是绝配。安装扩展后：

1. 在WSL中进入项目目录，执行code .
2. VS Code会自动连接到WSL环境
3. 按F1输入"Remote-Containers: Attach to Running Container"，选择你的PyTorch容器

现在你就能在容器内开发了，所有代码补全、调试功能都能正常使用。更棒的是，VS Code会自动帮你处理Python环境配置。

5.2 数据科学工作流优化

对于数据科学项目，我推荐以下配置：

docker run -it --gpus all \ -v $(pwd):/workspace \ -v /path/to/dataset:/data \ -p 8888:8888 -p 6006:6006 \ --ipc=host \ my-pytorch

然后可以在容器内启动Jupyter Lab和TensorBoard：

jupyter lab --ip=0.0.0.0 --port=8888 --no-browser --allow-root tensorboard --logdir=/workspace/logs --host 0.0.0.0 --port 6006

这样在Windows浏览器访问localhost:8888就能用Jupyter，访问localhost:6006查看TensorBoard。

5.3 常见问题排查

CUDA out of memory错误：尝试减小batch size，或者在docker run时添加--shm-size=8g参数。

Docker容器启动慢：可能是WSL2虚拟硬盘碎片化，执行以下命令优化：

wsl --shutdown optimize-vhd -Path "C:\Users\YourName\AppData\Local\Packages\Canonical...\ext4.vhdx" -Mode Full

显卡无法识别：首先确保Windows和WSL中nvidia-smi都能正常工作。如果不行，尝试：

# 在WSL中检查NVIDIA设备 ls /dev/nvidia*

如果缺少设备文件，可能需要更新WSL内核或NVIDIA驱动。