2023年11月最新WSL2系统安装及深度学习环境CUDA、CUDNN 和Pytorch配置_wsl2 安装 更新

一 前言

本文创作于2023年11月，记录自己安装WSL2子系统及配置深度学习环境的过程，中间参考其他博客的内容，但偶有疏漏之处，因此记录一个完整版本，供后人交流学习。
配置：
系统：Windows 11
显卡：GeForce RTX 3090

二 WSL2系统安装

前提条件：
查看是否开启虚拟化：windows机器需要支持虚拟化，并且需要在BIOS中开启虚拟化技术，因为WSL2基于hyper-V。建议使用Windows11操作系统。

2.1 安装步骤

可进入链接:旧版 WSL 的手动安装步骤自行查看。也可以使用Microsoft帮助文档中安装WSL的官方方法，只不过对具体系统有要求。本人使用的是旧版安装方法，安装的是Ubuntu22.04版本。具体细节如下：

2.1.1 系统中开启开发者模式

2.1.2 开启“适用于Linux的Windows子系统”

进入“控制面板-程序-启用或关闭Windows功能”：
勾选“适用于Linux的Windows子系统”、“虚拟机平台”，然后点击确定。完成后重启电脑。

2.1.3 启用虚拟机功能

安装 WSL 2 之前，必须启用“虚拟机平台”可选功能。 计算机需要虚拟化功能才能使用此功能。以管理员身份打开 PowerShell 并运行：

dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart
1

重新启动计算机，以完成 WSL 安装并更新到 WSL 2。其实我觉得这一步在上面已经勾选了，这是Microsoft文档中的一部分，只要打开“虚拟机平台”即可，多尝试没有关系。无需过多关注。

2.1.4 下载 Linux 内核更新包

Linux 内核更新包会安装最新版本的 WSL 2 Linux 内核，以便在 Windows 操作系统映像中运行 WSL。
最新包：链接点击即可下载，官方文档中同样有。运行，下载该安装包，并默认安装即可。

2.1.5 设置WSL 2 为默认版本

将 WSL 2 设置为默认版本：

wsl --set-default-version 2
1

2.1.6 安装Ubuntu22.04

打开微软商店（Microsoft Store）搜索“Ubuntu”，然后选择Ubuntu22.04 LTS点击安装，直到下载完成为止；

此时，安装完成。我们可以在开始菜单看到Ubuntu22.04图标，点击打开，设置用户名和密码（密码是看不见的，输入两次即可）。此时可以在此电脑中看到Linux，打开它可以看到Ubuntu的文件，后续与Ubuntu之间的文件操作可以从此处进行。

2.1.7 迁移子系统位置

子系统默认安装在系统盘，如果系统盘容量不够，可以迁移子系统位置，安装到D盘或其他盘。

# 导出分发版为tar格式文件到D盘上并注销。
wsl --export Ubuntu-22.04 d:\ubuntu22.04.tar
# 注销此版本
wsl --unregister Ubuntu-22.04
# 重新导入并安装WSL在D盘
wsl --import Ubuntu-22.04 d:\wsl-ubuntu22.04 d:\ubuntu22.04.tar --version2
# 设置默认用户为之前安装的用户，不然默认为root用户
Ubuntu2204.exe config --default-user **(你的用户名)
 # 删除安装包
 del d:\ubuntu22.04.tar
1
2
3
4
5
6
7
8
9
10

三 WSL2子系统深度学习环境配置

配置：
Windows11专业版、WSL2子系统、3090显卡、NVIDIA最新驱动、CUDA11.8及配套CUDNN、Pytorch2.1.0

3.1 Windows下安装NVIDIA驱动

进入Nvidia官方链接官方驱动 | NVIDIA，根据自己的系统，显卡型号，下载类型选择“Game Ready 驱动程序”即可，下载完成，安装在Windows环境下即可。

3.2 安装anaconda

3.2.1 官网下载安装包

进入anaconda官网，选择download，下载最新版即可，如图15所示。Windows环境下载完成后将此安装包复制到Ubuntu22.04中Ubuntu安装路径中，即Linux/Ubuntu-22.04/home/（你的用户名）/ 中，然后在Ubuntu的命令行窗口通过下图所示命令解压并安装该文件即可。



之后，根据安装提示，一直回车（enter）+yes即可安装成功。如果环境变量报错，则说明要将anaconda环境变量配置进入bashrc文件中，source命令更新bashrc文件，如下图所示：

export PATH=/home/(your_user_name)/anaconda3/bin:$PATH
source ~/.bashrc
1
2

这里如果有问题，请搜索Linux系统anaconda添加环境变量，应该不难解决。或者采取下面另一种方法：

sudo gedit /etc/profile
1

打开文件，在文件末尾添加：

export PATH=/home/(your_user_name)/anaconda3/bin:$PATH
1

通过下面命令，查看已安装得环境变量，看anaconda环境变量是否添加进来。

echo $PATH
1

3.3 换源

所谓换源，是因为国内通道可能受限，一是下载速度慢，二是有的安装包当前通道（channel）不一定存在，因此需要换源。

3.3.1 前提：

（1）进入清华镜像源官网：清华大学开源软件镜像站 | Tsinghua Open Source Mirror，之后右下角点击“使用帮助”，直接进入需要的地方，不需要看主界面。

（2）学会使用“vim”命令。
vim命令是Linux系统编辑系统内文件的命令，通常进入文件后，需使用 i（insert）键，开启插入模式，即可在文件内写入、删除字符；使用esc键即可推出插入模式；退出插入模式后，使用：q可退出该文件；使用：wq即可保存在文件中的编辑内容，并退出该文件。

3.3.2 apt换源：

（1）输入命令，进入下列文件：

vim /etc/apt/sources.list
1

（2）按”i“键，进入vim的插入模式复制如下代码（建议自行进入清华镜像源官网获取，点击“使用帮助”，左侧一列选择Ubuntu即可获取下图信息）到sources.list：

（3）最后按ESC键退出插入模式，输入：wq保存退出
（4）更新源：通过下面两行代码更新源（换了之后需要更新）

sudo apt-get update
sudo apt-get upgrade
1
2

3.3.3 conda换源：

（1）生成.condarc文件
命令 ：

conda config --set show_channel_urls yes
1

（2）修改.condarc文件，写入源文件

vim ~/.condarc
1

（3）进入清华镜像源，右下角使用帮助，点击左侧anaconda，复制r如下图信息，写入condarc文件并保存退出：

网上其他命令如下图，效果与上文相同，且上文更专业。这些方法是添加通道channel，我们的方法通道是默认default,而default_channels则为清华镜像通道。

3.4 安装CUDA

建议直接下载cuda11.8版本，本人曾下载11.3版本，然后再对应版本的cudnn以及pytorch中，无法实现深度学习模型的运行，报错为：无法找到lib.cudnn.so文件或lib.cudnn.so文件类型未定义等。耗时几天之后，仍无法解决第二个问题（第一个问题通过添加wsl的环境变量可以解决），最后不得已之下，删除并重新安装WSL系统，最终通过安装CUDA11.8及其对应版本cudnn、pytorch解决问题。

（1）官网获取下载命令：

官网：CUDA Toolkit 11.8 Downloads | NVIDIA Developer
Installer Type：可选择三种的任意一种，根据下面给出的安装命令一行行输入即可，如果一种方法安装不成功，则更换另一种，这里选择第三种方法，命令较少。（如出现问题，百度即可解决）

Installer Type：可选择三种的任意一种，根据下面给出的安装命令一行行输入即可，如果采用第一种方法，第四行代码执行完毕之后，会生成一行代码，可使用该行代码替代第五行代码继续执行，后面代码不变。本文以第三种方法举例，命令较少。作者尝试过第三种方法，第一次成功安装；第二次则安装失败，原因是解压失败，后来切换第一种安装方法，成功安装。

（2）命令行下载：

第一行命令：wget命令常用于从网络链接中下载安装包
第二行命令：sudo为使用管理员权限，需要密码。sh为解压命令，后面为下载的压缩包。
注：如果使用命令，系统报gcc的错误，则需要在这串命令后面加上 –override
如果还不行，建议更换下载方式。
程序会进行解压和安装，速度会比较慢，最后会出现如下界面：输入accept+回车确认。

之后便会出现如下界面，前面带有[X]的表示你要安装的工具，最后选择Install+回车确认，即可安装完成。

3.5 添加环境变量

（1）sudo vim ~/.bashrc打开文件

（2）通过vim命令操作将下面两行环境变量添加到文件尾部

export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
1
2

此处，图中出现错误，PATH写成了PAHT，已修改！

（3）更新文件：source ~/.bashrc

（4）使用nvcc -V命令查看是否安装成功，成功可以看出安装的版本。

3.6 安装cudnn

（1）进入官网cuDNN Archive | NVIDIA Developer

选择cuDNN安装包，版本必须与CUDA相匹配。这里选择2023年8月份左右的cuDNN，适合所有的11版本的CUDA。

（2）解压复制

在Windows环境下下载完毕后，将安装包复制到wsl系统的/home/**文件夹下，使用tar命令解压，使用cp命令（copy，复制）将解压出的文件夹命令复制到cuda对应的文件夹内。
解压命令：

tar xvf cudnn-linux-x86_64-8.9.4.25_cuda11-archive.tar.xz
1

复制命令：cp 复制目录 粘贴目录

sudo cp cuda/include/*/usr/local/cuda/include/
sudo cp cuda/lib64/* /usr/local/cuda/lib64/
1
2

注：如无报错，即cudnn安装完成。如报错，则查看复制目录是否错误（粘贴目录是固定不变的）。

3.7 安装Pytorch

Pytorch版本与cuda必须匹配，进入官网PyTorch，在命令窗口运行如下命令即可自行安装pytorch。

命令：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
1

3.8 测试环境是否安装成功

（1）nvidia-smi命令：

该命令可测试Windows上是否安装nvidia驱动,右上角的cuda版本与实际安装版本不一致，因为这代表的是该驱动可以安装的最大cuda版本，并非你实际安装版本。

（2）nvcc -V命令：

可查看cuda版本

（3）输入python，查看anaconda是否安装成功

import torch，查看pytorch是否安装成功
torch.cuda.is_available(),查看是否可以使用cuda。
torch.cuda.device_count(),查看可使用的GPU数量。

*至此，深度学习环境安装完毕。
之后，如果想在wsl2进行深度学习训练，查看参考文献中使用vscode在wsl环境进行模型训练，我就不再重复赘述了。

参考文献

[1] win11的ubuntu子系统 WSL2 下配置cuda、cudnn、GPU pytorch环境
[2]WSL2-Ubuntu20.04配置深度学习环境（CUDA、CUDNN、Pytorch）
[3]Windows系统下Linux子系统cuda、pytorch及tensorrt环境搭建与VScode连接
[4]安装WSL2和Ubuntu22.04版本
[5]conda配置清华源