告别Win系统Bug！保姆级教程：在WSL2上从零搭建CUDA 11.8 + PyTorch 2.2深度学习环境（含迁移到D盘避坑指南）

告别Win系统Bug！保姆级教程：在WSL2上从零搭建CUDA 11.8 + PyTorch 2.2深度学习环境（含迁移到D盘避坑指南）

如果你是一名深度学习开发者，可能已经受够了Windows系统下各种环境配置的麻烦——驱动冲突、路径错误、C盘空间告急……这些问题不仅浪费时间，还可能让整个项目陷入停滞。而WSL2（Windows Subsystem for Linux 2）提供了一个完美的折中方案：既保留了Windows的易用性，又能享受Linux环境的稳定和高效。

本文将带你从零开始，在WSL2上搭建完整的CUDA 11.8和PyTorch 2.2深度学习环境，并特别解决一个高频痛点：如何将WSL2系统从C盘迁移到D盘，彻底解放你的系统盘空间。整个过程包含详细的操作步骤、可能遇到的错误及解决方案，确保你能获得一个稳定、高效的开发环境。

1. WSL2基础安装与配置

1.1 启用WSL2功能

在开始之前，确保你的Windows系统版本为1903或更高，并且支持WSL2。以下是启用步骤：

1. 以管理员身份打开PowerShell，运行以下命令启用WSL功能：

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

2. 启用虚拟机平台功能：

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

3. 重启计算机使更改生效。

提示：如果你的系统版本较旧，可能需要先升级Windows。WSL2需要Windows 10版本2004或更高，或者Windows 11。

1.2 安装Linux发行版

Microsoft Store提供了多种Linux发行版选择。对于深度学习环境，推荐使用Ubuntu 22.04 LTS：

1. 打开Microsoft Store，搜索"Ubuntu 22.04 LTS"并安装
2. 安装完成后，从开始菜单启动Ubuntu
3. 首次启动时会提示创建用户名和密码（注意：输入密码时不会显示字符，这是正常现象）

1.3 设置WSL2为默认版本

安装完成后，确保WSL2是默认版本：

wsl --set-default-version 2

验证当前WSL版本：

wsl -l -v

输出应显示VERSION为2。

2. WSL2系统迁移至D盘（解放C盘空间）

默认情况下，WSL2虚拟机文件存储在C盘，随着使用会占用大量空间。以下是迁移到D盘的完整步骤：

2.1 准备工作

1. 在D盘创建目标文件夹，例如D:\wsl\ubuntu
2. 查看已安装的WSL发行版名称：

   wsl -l -v

   记下你的发行版名称（通常是"Ubuntu-22.04"）

2.2 导出和迁移系统

1. 停止WSL服务：

   wsl --shutdown

2. 导出当前系统到tar文件：

   wsl --export Ubuntu-22.04 D:\wsl\ubuntu.tar

3. 注销原有系统：

   wsl --unregister Ubuntu-22.04

4. 导入系统到新位置：

   wsl --import Ubuntu-22.04 D:\wsl\ubuntu D:\wsl\ubuntu.tar --version 2

2.3 恢复用户配置

迁移后需要重新设置默认用户：

1. 在PowerShell中查看你的用户名：

   ubuntu2204.exe config --default-user

2. 设置默认用户（替换"yourusername"为你的实际用户名）：

   ubuntu2204.exe config --default-user yourusername

注意：如果遇到权限问题，可能需要以管理员身份运行PowerShell。

3. 深度学习环境基础配置

3.1 系统更新与基础工具

在WSL2终端中执行以下命令更新系统并安装必要工具：

sudo apt update && sudo apt upgrade -y sudo apt install -y build-essential cmake git wget curl unzip

3.2 配置清华软件源

为了加速国内下载速度，更换为清华源：

1. 备份原有源列表：

   sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak

2. 编辑源列表：

   sudo sed -i "s@http://.*archive.ubuntu.com@https://mirrors.tuna.tsinghua.edu.cn@g" /etc/apt/sources.list sudo sed -i "s@http://.*security.ubuntu.com@https://mirrors.tuna.tsinghua.edu.cn@g" /etc/apt/sources.list

3. 更新软件包索引：

   sudo apt update

4. Conda环境配置

4.1 安装Miniconda

推荐使用更轻量级的Miniconda：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh

按照提示完成安装，然后重新打开终端使更改生效。

4.2 创建Python虚拟环境

创建一个专用于深度学习的虚拟环境：

conda create -n dl python=3.10 -y conda activate dl

配置pip使用国内镜像源加速下载：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

5. CUDA 11.8安装与配置

5.1 安装NVIDIA驱动

在Windows主机上：

1. 访问NVIDIA驱动下载页面
2. 选择你的显卡型号并下载最新驱动
3. 安装完成后重启计算机

5.2 安装CUDA Toolkit

在WSL2中安装CUDA 11.8：

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run sudo sh cuda_11.8.0_520.61.05_linux.run

安装时注意：

• 当提示安装驱动时选择"No"（驱动已在Windows安装）
• 其他选项保持默认

5.3 配置环境变量

编辑~/.bashrc文件：

echo 'export PATH=/usr/local/cuda-11.8/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc echo 'export CUDA_HOME=/usr/local/cuda-11.8' >> ~/.bashrc source ~/.bashrc

验证安装：

nvcc --version

应显示CUDA 11.8相关信息。

6. cuDNN安装

6.1 下载cuDNN

从NVIDIA开发者网站下载与CUDA 11.8兼容的cuDNN版本（需要注册账号）。

6.2 安装cuDNN

假设下载的文件为cudnn-linux-x86_64-8.x.x.x_cuda11-archive.tar.xz：

tar -xvf cudnn-linux-x86_64-8.x.x.x_cuda11-archive.tar.xz sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64 sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

验证安装：

cat /usr/local/cuda-11.8/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

7. PyTorch 2.2安装与验证

7.1 安装PyTorch

在之前创建的conda环境中运行：

conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=11.8 -c pytorch -c nvidia

7.2 验证安装

启动Python解释器并运行以下代码：

import torch print(torch.__version__) # 应显示2.2.2 print(torch.cuda.is_available()) # 应返回True print(torch.cuda.get_device_name(0)) # 显示你的GPU型号

8. 性能优化与实用技巧

8.1 内存与交换空间配置

WSL2默认内存限制可能不足，在Windows用户目录下创建或修改.wslconfig文件：

[wsl2] memory=16GB # 根据你的系统调整 swap=8GB localhostForwarding=true

然后重启WSL：

wsl --shutdown

8.2 GPU加速验证

运行一个简单的矩阵乘法测试GPU性能：

import torch import time device = torch.device('cuda') x = torch.randn(10000, 10000, device=device) y = torch.randn(10000, 10000, device=device) start = time.time() z = torch.matmul(x, y) print(f"Time: {time.time()-start:.4f} seconds")

8.3 文件系统交互优化

WSL2与Windows文件系统交互较慢，建议：

• 将项目代码放在WSL2文件系统中（/home/username）
• 使用/mnt/c访问Windows文件时避免频繁IO操作

9. 常见问题解决

9.1 CUDA不可用问题

如果torch.cuda.is_available()返回False：

1. 检查NVIDIA驱动版本是否支持CUDA 11.8
2. 确保WSL2中安装了正确的CUDA版本
3. 验证环境变量设置是否正确

9.2 内存不足错误

训练大型模型时可能遇到内存不足：

1. 调整.wslconfig中的内存限制
2. 使用更小的batch size
3. 启用梯度检查点（gradient checkpointing）

9.3 文件权限问题

在Windows和WSL之间操作文件可能导致权限混乱：

# 修复WSL中文件权限 sudo chown -R $USER:$USER /path/to/directory

10. 环境备份与恢复

10.1 备份conda环境

conda env export > environment.yml

10.2 创建系统快照

定期导出WSL系统备份：

wsl --export Ubuntu-22.04 D:\wsl_backups\ubuntu_$(Get-Date -Format "yyyyMMdd").tar

10.3 恢复环境

从备份恢复conda环境：

conda env create -f environment.yml

从快照恢复WSL系统：

wsl --import Ubuntu-22.04 D:\wsl\ubuntu D:\wsl_backups\ubuntu_20240101.tar --version 2