前言在 WSL2 中搭建深度学习环境是许多开发者高效开展 AI 研究的常见选择。本文聚焦 CUDA、conda 与 PyTorch 的配置流程重点讲解如何从官网自主获取资源并完成环境搭建助你快速掌握核心步骤轻松开启深度学习实践。本文我将用 Ubuntu24.04 进行演示其中的配置思路是可以迁移的。一、换源在 WSL2 中安装软件前建议先将 apt 源更换为国内镜像源以大幅提升下载速度。具体操作如下1. 更新软件列表首先执行更新命令确保本地包索引是最新的sudo apt update2. 备份原始源文件为了防止配置出错建议先备份原始的 sources 文件sudo cp /etc/apt/sources.list.d/ubuntu.sources /etc/apt/sources.list.d/ubuntu.sources.bak3. 编辑源配置文件使用 vim 编辑器打开源配置文件进行修改如果你不习惯 vim也可以使用 nanosudo vim /etc/apt/sources.list.d/ubuntu.sources清空旧内容进入编辑器后这里需要按“i”进行插入模式再输入%d这将删除文件内的所有内容。粘贴新配置将以下内容复制并粘贴到文件中这里使用的是清华大学的镜像源Types: deb URIs: https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ Suites: noble noble-updates noble-security noble-backports Components: main restricted universe multiverse Signed-By: /usr/share/keyrings/ubuntu-archive-keyring.gpg如图保存并退出按ESC键退出插入模式输入:wq并回车即可保存文件并退出编辑器。验证修改你可以使用以下命令查看文件内容确认修改是否成功cat /etc/apt/sources.list.d/ubuntu.sources如图4.更新软件源索引配置完成后务必执行更新命令让系统重新读取新的源地址sudo apt update二、配置 CUDA1. 安装依赖在 WSL2 的 Linux 环境中我们需要安装 NVIDIA 的开源驱动包作为依赖注意这通常是为了配合 Windows 宿主机的驱动使用sudo apt install nvidia-open2.重启系统安装完成后为了确保驱动加载生效需要重启 WSL2 或整个系统sudo reboot3. 检查状态重启后输入以下命令查看显卡状态及 CUDA 版本信息检查nvidia-smi这里的 CUDA Version显示了当前驱动支持的最高 CUDA 版本之后需要根据这个去安装 CUDA Toolkit4. 安装 CUDA Toolkit点击打开官网根据一下步骤打开 CUDA Toolkit如图这里需要根据CUDA Version的情况下载对应的版本如果在 13.3 一下就需要去找其它版本的 CUDA Toolkit。这里大家就根据自己的 CUDA Version 选择对应的 Toolkit 下载即可。这里因为我的 CUDA Version 是 13.2我就以 13.2 作为演示。这里根据指示选择好要下载的类型注意 Installer Type 是可以三选一的我这里用 deb 做演示如图选择好之后下面会出现一些命令行可以直接复制粘贴到终端中运行如图。5.配置环境变量下载并安装好 CUDA Toolkit 后系统通常不会自动将其添加到路径中。我们需要手动配置环境变量以便系统能找到 CUDA 的编译器和库文件。确认安装目录首先我们可以查看/usr/local目录下是否存在对应的 CUDA 文件夹如图ls /usr/local接着查看该目录下的具体文件结构如图ls /usr/local/cuda-13.2写入配置文件使用以下命令将 CUDA 的路径追加到~/.bashrc配置文件中。这里使用了cat命令配合 Here Document (EOF) 的方式一次性写入两行关键配置cat ~/.bashrc EOF export PATH/usr/local/cuda-13.2/bin:$PATH export LD_LIBRARY_PATH/usr/local/cuda-13.2/lib64:$LD_LIBRARY_PATH EOF如图注意 请确保将命令中的13.2替换为你实际安装的 CUDA 版本号。使配置生效修改完配置文件后需要执行以下命令使其立即生效source ~/.bashrc6. 验证安装最后通过查看 NVCCNVIDIA CUDA Compiler的版本号来验证环境是否配置成功nvcc --version如果输出了类似图中的版本信息说明 CUDA Toolkit 已经安装并配置成功你可以开始进行深度学习开发了。三、安装 conda1. 获取安装脚本打开官网我们选择跳过登录就可以进行下载选择安装 Linux 版本这里推荐安装 Miniconda因为它更加轻量、干净我们可以点击下面的 Linux install instructions这里会跳转到下载Miniconda 的文档想要了解更多信息的可以自行学习这里我把关键的命令行给出。这里我们下载最新的 Linux 64-Bit 安装脚本curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh2. 运行安装脚本下载完成后执行以下命令开始安装bash ~/Miniconda3-latest-Linux-x86_64.sh3. 配置环境变量安装完成后为了确保系统能随时识别conda命令我们需要将 Miniconda 的路径添加到系统的环境变量中。使用以下命令将路径配置写入~/.bashrc文件cat ~/.bashrc EOF export PATH$HOME/miniconda3/condabin:$PATH EOF接着执行以下命令使刚才的配置立即生效source ~/.bashrc4. 查看环境配置生效后我们可以通过以下命令检查 Conda 是否正常工作并查看当前的环境列表conda env list如果安装成功终端会输出如图的信息5. 验证激活状态此时如果你重新启动终端或者看到命令行提示符的最前方出现了(base)字样如图所示就说明 Conda 已经成功激活并默认进入了基础环境。四、安装 PyTorch1. 创建虚拟环境先创建一个名为deeplearning的独立环境并指定 Python 版本为 3.11以根据需要修改版本号同时安装pip包管理工具后面需要用这个来安装 PyTorchconda create -y -n deeplearning python3.11 pip2. 激活环境环境创建完成后使用以下命令激活它conda activate deeplearning激活成功后你的命令行提示符前方会出现(deeplearning)字样表示当前操作都在该隔离环境中进行。3.获取安装命令访问官网点击“Get started”按钮进入安装配置页面这里按照提醒选择对应的配置注意 CUDA 的版本要跟前面下载的 CUDA 一致因为我前面下载的是 13.2我这里就下载 13.2。选择完毕后会自动生成对应的安装命令。直接复制该命令到终端中运行。4. 验证结果在终端中输入以下命令列出当前环境中所有已安装的 Python 包pip list如果安装成功会显示类似如图的版本。
WSL2配置CUDA+conda+PyTorch
前言在 WSL2 中搭建深度学习环境是许多开发者高效开展 AI 研究的常见选择。本文聚焦 CUDA、conda 与 PyTorch 的配置流程重点讲解如何从官网自主获取资源并完成环境搭建助你快速掌握核心步骤轻松开启深度学习实践。本文我将用 Ubuntu24.04 进行演示其中的配置思路是可以迁移的。一、换源在 WSL2 中安装软件前建议先将 apt 源更换为国内镜像源以大幅提升下载速度。具体操作如下1. 更新软件列表首先执行更新命令确保本地包索引是最新的sudo apt update2. 备份原始源文件为了防止配置出错建议先备份原始的 sources 文件sudo cp /etc/apt/sources.list.d/ubuntu.sources /etc/apt/sources.list.d/ubuntu.sources.bak3. 编辑源配置文件使用 vim 编辑器打开源配置文件进行修改如果你不习惯 vim也可以使用 nanosudo vim /etc/apt/sources.list.d/ubuntu.sources清空旧内容进入编辑器后这里需要按“i”进行插入模式再输入%d这将删除文件内的所有内容。粘贴新配置将以下内容复制并粘贴到文件中这里使用的是清华大学的镜像源Types: deb URIs: https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ Suites: noble noble-updates noble-security noble-backports Components: main restricted universe multiverse Signed-By: /usr/share/keyrings/ubuntu-archive-keyring.gpg如图保存并退出按ESC键退出插入模式输入:wq并回车即可保存文件并退出编辑器。验证修改你可以使用以下命令查看文件内容确认修改是否成功cat /etc/apt/sources.list.d/ubuntu.sources如图4.更新软件源索引配置完成后务必执行更新命令让系统重新读取新的源地址sudo apt update二、配置 CUDA1. 安装依赖在 WSL2 的 Linux 环境中我们需要安装 NVIDIA 的开源驱动包作为依赖注意这通常是为了配合 Windows 宿主机的驱动使用sudo apt install nvidia-open2.重启系统安装完成后为了确保驱动加载生效需要重启 WSL2 或整个系统sudo reboot3. 检查状态重启后输入以下命令查看显卡状态及 CUDA 版本信息检查nvidia-smi这里的 CUDA Version显示了当前驱动支持的最高 CUDA 版本之后需要根据这个去安装 CUDA Toolkit4. 安装 CUDA Toolkit点击打开官网根据一下步骤打开 CUDA Toolkit如图这里需要根据CUDA Version的情况下载对应的版本如果在 13.3 一下就需要去找其它版本的 CUDA Toolkit。这里大家就根据自己的 CUDA Version 选择对应的 Toolkit 下载即可。这里因为我的 CUDA Version 是 13.2我就以 13.2 作为演示。这里根据指示选择好要下载的类型注意 Installer Type 是可以三选一的我这里用 deb 做演示如图选择好之后下面会出现一些命令行可以直接复制粘贴到终端中运行如图。5.配置环境变量下载并安装好 CUDA Toolkit 后系统通常不会自动将其添加到路径中。我们需要手动配置环境变量以便系统能找到 CUDA 的编译器和库文件。确认安装目录首先我们可以查看/usr/local目录下是否存在对应的 CUDA 文件夹如图ls /usr/local接着查看该目录下的具体文件结构如图ls /usr/local/cuda-13.2写入配置文件使用以下命令将 CUDA 的路径追加到~/.bashrc配置文件中。这里使用了cat命令配合 Here Document (EOF) 的方式一次性写入两行关键配置cat ~/.bashrc EOF export PATH/usr/local/cuda-13.2/bin:$PATH export LD_LIBRARY_PATH/usr/local/cuda-13.2/lib64:$LD_LIBRARY_PATH EOF如图注意 请确保将命令中的13.2替换为你实际安装的 CUDA 版本号。使配置生效修改完配置文件后需要执行以下命令使其立即生效source ~/.bashrc6. 验证安装最后通过查看 NVCCNVIDIA CUDA Compiler的版本号来验证环境是否配置成功nvcc --version如果输出了类似图中的版本信息说明 CUDA Toolkit 已经安装并配置成功你可以开始进行深度学习开发了。三、安装 conda1. 获取安装脚本打开官网我们选择跳过登录就可以进行下载选择安装 Linux 版本这里推荐安装 Miniconda因为它更加轻量、干净我们可以点击下面的 Linux install instructions这里会跳转到下载Miniconda 的文档想要了解更多信息的可以自行学习这里我把关键的命令行给出。这里我们下载最新的 Linux 64-Bit 安装脚本curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh2. 运行安装脚本下载完成后执行以下命令开始安装bash ~/Miniconda3-latest-Linux-x86_64.sh3. 配置环境变量安装完成后为了确保系统能随时识别conda命令我们需要将 Miniconda 的路径添加到系统的环境变量中。使用以下命令将路径配置写入~/.bashrc文件cat ~/.bashrc EOF export PATH$HOME/miniconda3/condabin:$PATH EOF接着执行以下命令使刚才的配置立即生效source ~/.bashrc4. 查看环境配置生效后我们可以通过以下命令检查 Conda 是否正常工作并查看当前的环境列表conda env list如果安装成功终端会输出如图的信息5. 验证激活状态此时如果你重新启动终端或者看到命令行提示符的最前方出现了(base)字样如图所示就说明 Conda 已经成功激活并默认进入了基础环境。四、安装 PyTorch1. 创建虚拟环境先创建一个名为deeplearning的独立环境并指定 Python 版本为 3.11以根据需要修改版本号同时安装pip包管理工具后面需要用这个来安装 PyTorchconda create -y -n deeplearning python3.11 pip2. 激活环境环境创建完成后使用以下命令激活它conda activate deeplearning激活成功后你的命令行提示符前方会出现(deeplearning)字样表示当前操作都在该隔离环境中进行。3.获取安装命令访问官网点击“Get started”按钮进入安装配置页面这里按照提醒选择对应的配置注意 CUDA 的版本要跟前面下载的 CUDA 一致因为我前面下载的是 13.2我这里就下载 13.2。选择完毕后会自动生成对应的安装命令。直接复制该命令到终端中运行。4. 验证结果在终端中输入以下命令列出当前环境中所有已安装的 Python 包pip list如果安装成功会显示类似如图的版本。