首页 人工智能 基础知识

# 前言

以前捣鼓过 wsl，即 Windows 下的 Linux 子系统，但兼容性依然比不过原生的 Linux 系统，使用 cmake 等命令会出现奇怪的问题。

最近听说 wsl2 出来了，而且也可以在 wsl 上安装 nvidia 显卡驱动了，有网友实测跑深度学习模型速度能比 Windows 的快一倍左右，哈哈这就必须得捣鼓捣鼓了，如果兼容性真的没问题的话，那可比虚拟机或双系统要爽多了～

目前还发现，微软官网对 wsl 的使用教程也写的非常友好，推荐大家多看看官方教程，毕竟时效性可以保证～～

微软 wsl 官方教程：https://learn.microsoft.com/zh-cn/windows/wsl/install

wsl 安装过程中可能需要科学上网，推荐大家去「 一元机场 」平台订阅，每月 500G 流量月均 0.9 元，性价比拉满～

# 系统环境

  • CPU：i5-12450
  • 内存：32G
  • 显卡：3060
  • Windows 版本：Windows11 22H2 22621.963

本篇教程后面涉及到 WSL2 上的 GPU 加速，经网上帖子的建议，用最新的 win11 系统可以保证最大的成功率。如果是 win10 系统，需将 win10 升级为预览体验版本，建议谨慎折腾！

没特殊需求的，都建议将系统升级为 win11 再进行尝试。

# WSL 1 和 WSL 2 功能对比

从对比图中可以看到，除非对跨 OS 的文件系统性能有要求，WSL 2 是全面优于 WSL 1 的。官方文档也建议使用 VSCode 对 WSL 中的文件进行访问和操作，所以 WSL 2 搭配 VSCode 应该是非常棒的组合～

# 安装 WSL2

管理员模式下打开 PowerShell 或 Windows 命令提示符

查看可用发行版本列表

wsl --list --online

可以看到有 Ubuntu-20.04 这个发行版本，正是我们需要的～

安装 Ubuntu-20.04 发行版

wsl --install -d Ubuntu-20.04

这里默认安装的就是 wsl2，如果对 wsl1 有需求，可以查阅官方文档哦，有很详尽的介绍～

安装大概花费 5~10 分钟左右，视电脑配置和网络状况，耐心等待即可～

提示安装成功后，重启电脑即可完成安装。重启后会默认弹出 Linux powershell，设置完用户名和密码，安装正式完成，如下图～

# 更新和升级包

sudo apt update && sudo apt upgrade

# 配置 VSCode

在 VSCode 中安装「 Remote Development 」扩展。除了远程 - SSH 和开发容器扩展，此扩展包还包括 WSL 扩展，使你能够在容器、远程计算机上或 WSL 中打开任何文件夹。

可以通过在 WSL2 命令行中输入 code . 就可以直接用 VSCode 打开 Linux 中的文件夹进行开发了～

# 配置 MiniConda

# 安装 MiniConda

wget https://repo.anaconda.com/miniconda/Miniconda3-py39_4.12.0-Linux-x86_64.sh

运行安装脚本

bash Miniconda3-py39_4.12.0-Linux-x86_64.sh

一直按回车，直到浏览完用户协议后输入 yes 。再次按回车使用默认安装位置，然后再次输入 yes 选择初始化 miniconda，初始化完成即安装成功

可以使用如下命令取消默认激活 base 环境

conda config --set auto_activate_base false

安装完成后记得关闭 Linux 终端，打开 powershell 输入 wsl 可以重新进入 Linux 终端，使 conda 环境刷新

# 配置 MiniConda

创建用户配置文件

conda config --set show_channel_urls yes

进入清华大学开源软件镜像站，复制配置内容到用户目录下刚创建的 .condarc 文件，要复制的配置内容如下

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

注意，把 .condarc 文件默认的内容删掉

输入 conda clean -i 清除默认缓存，用 conda config --show-sources 查看配置是否更换成功

# pip 换国内源（Linux 环境）

# 临时换源（不推荐）

可能要安装包里的依赖包下载依然缓慢

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名

# 永久换源（推荐）

  1. 在用户目录下创建.pip 文件夹
  2. 在刚创建的 pip 文件夹下创建 pip.conf 文件
  3. 把以下配置内容放到刚创建的 pip.conf 文件里
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple/
[install]
trusted-host = pypi.tuna.tsinghua.edu.cn

# 配置 GPU 加速

# 安装 Nvidia 驱动

下载并安装 NVIDIA GPU 的最新驱动程序：https://www.nvidia.com/Download/index.aspx

我的笔记本是 3060，所以可以按如下配置搜索

搜索出来后点击下载即可，可以看到驱动版本目前最新是 527.56


这是您需要安装的唯一驱动程序。不要在 WSL 中安装任何 Linux 显卡驱动程序。
详情参阅 Nvidia 官方说明：WSL 2 上的 CUDA 入门

再次强调，不要在 WSL 中安装任何 Linux 版的 Nvidia 驱动！

下载完驱动后就可以安装了，我直接选择默认的 NVIDIA 显卡驱动和 GeForce Experience 选项，安装选项为 精简 ，安装完成后重启下电脑即可～

打开 powershell，输入 nvidia-smi ，可以看到 Windows 下已经正常输出显卡驱动信息了

输入 wsl ，可以进入 Linux 命令行，再次输入 nvidia-smi ，可以看到 Linux 环境下，也输出了显卡驱动信息，大功告成～


如果在 wsl2 命令行中输入 nvidia-smi 发现没有正常输出，而是报错，首先要检查的就是你的 Windows 版本是不是太低了，还是建议升级到最新的 win11 系统再进行折腾

因为有网友已经实践，升级到 win11 后啥都不用做，直接就把 wsl2 链接到 GPU 了

所以看到报错先检查 Windows 版本，千万不要在 WSL 中安装任何 Linux 版的 Nvidia 驱动！不需要的！

# 安装 Cuda Toolkit

接下来就有两种方式了：

一个是按 Nvidia 官方说明：WSL 2 上的 CUDA 入门上的，在 CUDA Toolkit 下载界面选择适合 WSL 的 CUDA Toolkit 进行安装，如下图所示

另一种是根据网友的评论，可以依赖于 conda 和 pytorch 直接安装 gpu 版本的 pytorch，安装成功后 cuda 也是可以直接用了。pytorch 官方给出的安装命令如下图，可以看到其中也包含了 cuda 11.7


这两种的区别，据有网友说第二种方式安装的 CUDA Toolkit 貌似只适用于 Pytorch，所以如果想将 CUDA Toolkit 和 C++ 搭配使用的话，还是得要用第一种方式安装一次 CUDA Toolkit

但经博主亲自实践，用 conda 安装的 cuda，也是可以直接和 C++ 搭配使用的！

所以接下来的内容就是，用第二种方式安装 pytorch 的 gpu 版本，即可将 cuda 安装好。然后编写一个 c++ 脚本测试一下，都没问题的话，即 WSL2 的 GPU 加速配置大功告成～

本节教程和微软 wsl 官方教程中的 GPU 加速配置有区别，好像是官方教程里好像设置了 Docker 什么的，我目前好像还用不到这么深，所以就没参考微软 wsl 的官方教程

# 通过 PyTorch 安装 CUDA Toolkit

首先我们先创建一个 python3.8 的虚拟环境，后续安装相关库都在这个环境下安装。保持环境一直可以减少很多 Bug 的产生

conda create --name py38 python=3.8

激活新创建好的环境

conda activate py38

PyTorch 官网直接给出了安装命令，如下

conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

因此，我们直接在 Linux 的命令行中，切换到我们自己创建的 python 虚拟环境，运行以上命令进行安装，以下是 conda 给出安装前的输出信息，可以看到里面就包含了 CUDA Toolkit

## Package Plan ##
  environment location: /home/aayu/miniconda3/envs/py38
  added / updated specs:
    - pytorch
    - pytorch-cuda=11.7
    - torchaudio
    - torchvision
The following packages will be downloaded:
    package                    |            build
    ---------------------------|-----------------
    cuda-11.7.1                |                0           1 KB  nvidia
    cuda-cccl-11.7.91          |                0         1.2 MB  nvidia
    cuda-command-line-tools-11.7.1|                0           1 KB  nvidia
    cuda-compiler-11.7.1       |                0           1 KB  nvidia
    cuda-cudart-11.7.99        |                0         194 KB  nvidia
    cuda-cudart-dev-11.7.99    |                0         1.1 MB  nvidia
    cuda-cuobjdump-11.7.91     |                0         158 KB  nvidia
    cuda-cupti-11.7.101        |                0        22.9 MB  nvidia
    cuda-cuxxfilt-11.7.91      |                0         293 KB  nvidia
    cuda-demo-suite-12.0.76    |                0         5.0 MB  nvidia
    cuda-documentation-12.0.76 |                0          89 KB  nvidia
    cuda-driver-dev-11.7.99    |                0          16 KB  nvidia
    cuda-gdb-12.0.90           |                0         5.3 MB  nvidia
    cuda-libraries-11.7.1      |                0           1 KB  nvidia
    cuda-libraries-dev-11.7.1  |                0           2 KB  nvidia
    cuda-memcheck-11.8.86      |                0         168 KB  nvidia
    cuda-nsight-12.0.78        |                0       113.6 MB  nvidia
    cuda-nsight-compute-12.0.0 |                0           1 KB  nvidia
    cuda-nvcc-11.7.99          |                0        42.7 MB  nvidia
    cuda-nvdisasm-12.0.76      |                0        47.9 MB  nvidia
    cuda-nvml-dev-11.7.91      |                0          80 KB  nvidia
    cuda-nvprof-12.0.90        |                0         4.3 MB  nvidia
    cuda-nvprune-11.7.91       |                0          64 KB  nvidia
    cuda-nvrtc-11.7.99         |                0        17.3 MB  nvidia
    cuda-nvrtc-dev-11.7.99     |                0        16.9 MB  nvidia
    cuda-nvtx-11.7.91          |                0          57 KB  nvidia
    cuda-nvvp-12.0.90          |                0       114.3 MB  nvidia
    cuda-runtime-11.7.1        |                0           1 KB  nvidia
    cuda-sanitizer-api-12.0.90 |                0        16.6 MB  nvidia
    cuda-toolkit-11.7.1        |                0           1 KB  nvidia
    cuda-tools-11.7.1          |                0           1 KB  nvidia
    cuda-visual-tools-11.7.1   |                0           1 KB  nvidia
    cudatoolkit-10.1.243       |       h036e899_8       427.4 MB  nvidia
    gds-tools-1.5.0.59         |                0        40.9 MB  nvidia
    intel-openmp-2022.1.0      |    h9e868ea_3769         4.5 MB
    lcms2-2.12                 |       h3be6417_0         312 KB
    libcublas-11.10.3.66       |                0       286.1 MB  nvidia
    libcublas-dev-11.10.3.66   |                0       296.4 MB  nvidia
    libcufft-10.7.2.124        |       h4fbf590_0        93.6 MB  nvidia
    libcufft-dev-10.7.2.124    |       h98a8f43_0       197.3 MB  nvidia
    libcufile-1.5.0.59         |                0         754 KB  nvidia
    libcufile-dev-1.5.0.59     |                0          13 KB  nvidia
    libcurand-10.3.1.50        |                0        51.7 MB  nvidia
    libcurand-dev-10.3.1.50    |                0         449 KB  nvidia
    libcusolver-11.4.0.1       |                0        78.7 MB  nvidia
    libcusolver-dev-11.4.0.1   |                0        55.9 MB  nvidia
    libcusparse-11.7.4.91      |                0       151.1 MB  nvidia
    libcusparse-dev-11.7.4.91  |                0       309.5 MB  nvidia
    libnpp-11.7.4.75           |                0       129.3 MB  nvidia
    libnpp-dev-11.7.4.75       |                0       126.6 MB  nvidia
    libnvjpeg-11.8.0.2         |                0         2.2 MB  nvidia
    libnvjpeg-dev-11.8.0.2     |                0         1.9 MB  nvidia
    mkl-2022.1.0               |     hc2b9512_224       129.7 MB
    ninja-1.10.2               |       h06a4308_5           8 KB
    ninja-base-1.10.2          |       hd09550d_5         109 KB
    nsight-compute-2022.4.0.15 |                0       764.0 MB  nvidia
    pillow-9.2.0               |   py38hace64e9_1         666 KB
    pytorch-1.4.0              |py3.8_cuda10.1.243_cudnn7.6.3_0       433.1 MB  pytorch
    pytorch-cuda-11.7          |       h67b0de4_1           3 KB  pytorch
    torchaudio-0.4.0           |             py38         6.1 MB  pytorch
    torchvision-0.5.0          |       py38_cu101         9.1 MB  pytorch
    ------------------------------------------------------------
                                           Total:        3.91 GB
The following NEW packages will be INSTALLED:
  cuda               nvidia/linux-64::cuda-11.7.1-0
  cuda-cccl          nvidia/linux-64::cuda-cccl-11.7.91-0
  cuda-command-line~ nvidia/linux-64::cuda-command-line-tools-11.7.1-0
  cuda-compiler      nvidia/linux-64::cuda-compiler-11.7.1-0
  cuda-cudart        nvidia/linux-64::cuda-cudart-11.7.99-0
  cuda-cudart-dev    nvidia/linux-64::cuda-cudart-dev-11.7.99-0
  cuda-cuobjdump     nvidia/linux-64::cuda-cuobjdump-11.7.91-0
  cuda-cupti         nvidia/linux-64::cuda-cupti-11.7.101-0
  cuda-cuxxfilt      nvidia/linux-64::cuda-cuxxfilt-11.7.91-0
  cuda-demo-suite    nvidia/linux-64::cuda-demo-suite-12.0.76-0
  cuda-documentation nvidia/linux-64::cuda-documentation-12.0.76-0
  cuda-driver-dev    nvidia/linux-64::cuda-driver-dev-11.7.99-0
  cuda-gdb           nvidia/linux-64::cuda-gdb-12.0.90-0
  cuda-libraries     nvidia/linux-64::cuda-libraries-11.7.1-0
  cuda-libraries-dev nvidia/linux-64::cuda-libraries-dev-11.7.1-0
  cuda-memcheck      nvidia/linux-64::cuda-memcheck-11.8.86-0
  cuda-nsight        nvidia/linux-64::cuda-nsight-12.0.78-0
  cuda-nsight-compu~ nvidia/linux-64::cuda-nsight-compute-12.0.0-0
  cuda-nvcc          nvidia/linux-64::cuda-nvcc-11.7.99-0
  cuda-nvdisasm      nvidia/linux-64::cuda-nvdisasm-12.0.76-0
  cuda-nvml-dev      nvidia/linux-64::cuda-nvml-dev-11.7.91-0
  cuda-nvprof        nvidia/linux-64::cuda-nvprof-12.0.90-0
  cuda-nvprune       nvidia/linux-64::cuda-nvprune-11.7.91-0
  cuda-nvrtc         nvidia/linux-64::cuda-nvrtc-11.7.99-0
  cuda-nvrtc-dev     nvidia/linux-64::cuda-nvrtc-dev-11.7.99-0
  cuda-nvtx          nvidia/linux-64::cuda-nvtx-11.7.91-0
  cuda-nvvp          nvidia/linux-64::cuda-nvvp-12.0.90-0
  cuda-runtime       nvidia/linux-64::cuda-runtime-11.7.1-0
  cuda-sanitizer-api nvidia/linux-64::cuda-sanitizer-api-12.0.90-0
  cuda-toolkit       nvidia/linux-64::cuda-toolkit-11.7.1-0
  cuda-tools         nvidia/linux-64::cuda-tools-11.7.1-0
  cuda-visual-tools  nvidia/linux-64::cuda-visual-tools-11.7.1-0
  cudatoolkit        nvidia/linux-64::cudatoolkit-10.1.243-h036e899_8
  gds-tools          nvidia/linux-64::gds-tools-1.5.0.59-0
  intel-openmp       pkgs/main/linux-64::intel-openmp-2022.1.0-h9e868ea_3769
  lcms2              pkgs/main/linux-64::lcms2-2.12-h3be6417_0
  libcublas          nvidia/linux-64::libcublas-11.10.3.66-0
  libcublas-dev      nvidia/linux-64::libcublas-dev-11.10.3.66-0
  libcufft           nvidia/linux-64::libcufft-10.7.2.124-h4fbf590_0
  libcufft-dev       nvidia/linux-64::libcufft-dev-10.7.2.124-h98a8f43_0
  libcufile          nvidia/linux-64::libcufile-1.5.0.59-0
  libcufile-dev      nvidia/linux-64::libcufile-dev-1.5.0.59-0
  libcurand          nvidia/linux-64::libcurand-10.3.1.50-0
  libcurand-dev      nvidia/linux-64::libcurand-dev-10.3.1.50-0
  libcusolver        nvidia/linux-64::libcusolver-11.4.0.1-0
  libcusolver-dev    nvidia/linux-64::libcusolver-dev-11.4.0.1-0
  libcusparse        nvidia/linux-64::libcusparse-11.7.4.91-0
  libcusparse-dev    nvidia/linux-64::libcusparse-dev-11.7.4.91-0
  libnpp             nvidia/linux-64::libnpp-11.7.4.75-0
  libnpp-dev         nvidia/linux-64::libnpp-dev-11.7.4.75-0
  libnvjpeg          nvidia/linux-64::libnvjpeg-11.8.0.2-0
  libnvjpeg-dev      nvidia/linux-64::libnvjpeg-dev-11.8.0.2-0
  mkl                pkgs/main/linux-64::mkl-2022.1.0-hc2b9512_224
  ninja              pkgs/main/linux-64::ninja-1.10.2-h06a4308_5
  ninja-base         pkgs/main/linux-64::ninja-base-1.10.2-hd09550d_5
  nsight-compute     nvidia/linux-64::nsight-compute-2022.4.0.15-0
  pillow             pkgs/main/linux-64::pillow-9.2.0-py38hace64e9_1
  pytorch            pytorch/linux-64::pytorch-1.4.0-py3.8_cuda10.1.243_cudnn7.6.3_0
  pytorch-cuda       pytorch/noarch::pytorch-cuda-11.7-h67b0de4_1
  six                pkgs/main/noarch::six-1.16.0-pyhd3eb1b0_1
  torchaudio         pytorch/linux-64::torchaudio-0.4.0-py38
  torchvision        pytorch/linux-64::torchvision-0.5.0-py38_cu101
贴一张安装过程中的截图哈哈
安装成功！用 nvcc -V 命令测试一下是否能正常输出，成功输出，如下图

导入 Pytorch 测试一下，正确链接到 GPU，并识别出显卡
# 测试 Nvcc
编写一个 cuda 脚本
cuda_test_1.cu
#include "cuda_runtime.h"
#include <stdlib.h>
#include <assert.h>
#include <iostream>
// Device code
__global__ void VecAdd(float* A, float* B, float* C)
{
    int i = threadIdx.x;
    C[i] = A[i] + B[i];
}
// Host code
int main()
{
    int N = 1024;
    size_t size = N * sizeof(float);
    // Allocate input vectors h_A and h_B in host memory
    float* h_A = (float*)malloc(size);
    float* h_B = (float*)malloc(size);
    float* h_C = (float*)malloc(size);
    // Initialize input vectors
    for (size_t i = 0; i < N; i++)
    {
        h_A[i] = 1.;
        h_B[i] = 2.;
    }
    // Allocate vectors in device memory
    float* d_A;
    cudaMalloc(&d_A, size);
    float* d_B;
    cudaMalloc(&d_B, size);
    float* d_C;
    cudaMalloc(&d_C, size);
    // Copy vectors from host memory to device memory
    cudaMemcpy(d_A, h_A, size, cudaMemcpyHostToDevice);
    cudaMemcpy(d_B, h_B, size, cudaMemcpyHostToDevice);
    // Kernel invocation with N threads
    VecAdd<<<1, N>>>(d_A, d_B, d_C);
    // Copy result from device memory to host memory
    // h_C contains the result in host memory
    cudaMemcpy(h_C, d_C, size, cudaMemcpyDeviceToHost);
    for (size_t i = 0; i < N; i++){
        assert(h_C[i] == 3.);
    }
    std::cout << "\t\t\t\tDONE!" << std::endl;
    // Free device memory
    cudaFree(d_A);
    cudaFree(d_B);
    cudaFree(d_C);
    // Free host memory
    free(h_A);
    free(h_B);
    free(h_C);
    return 0;
}
然后在刚刚安装了 cuda 的 python 环境下用以下命令编译
nvcc cuda_test_1.cu -o cuda_test_1
如果报 gcc: No such file or directory ，则需要用如下命令安装 gcc 及调试工具
sudo apt install build-essential gdb
安装完成后用 gcc --version 测试一下，由正常输出即安装成功
编译成功后用 ./cuda_test_1 运行，成功运行如下图
大功告成！
# 参考链接
  • Windows10/11 WSL2 安装 nvidia-cuda 驱动
  • Windows 11/10 WSL2 Ubuntu 20.04 下配置 Cuda 及 Pytorch
  • 【PyTorch】B 站首个，终于有人把 GPU/ CUDA/cuDNN 讲清楚了
  • 【资源记录】各个历史版本 cuda toolkit 下载链接
  
 更新于   阅读次数  次
请我喝[茶]~(￣▽￣)~*
宇凌喵 微信支付
微信支付
宇凌喵 支付宝
支付宝