企业官网建设流程全解析

1. 为什么要在 Windows 上折腾 WSL2 跑 AI 训练

1.1 一个真实的需求场景

我平时主力机是 Windows，但做深度学习相关的事情，Linux 生态的兼容性确实更好。早期我试过双系统，切换一次要重启，训练跑一半想回 Windows 查个资料都麻烦；也试过纯 Windows 下装 CUDA 和 PyTorch，能跑，但很多开源项目默认按 Linux 路径写脚本，bash脚本、apt装依赖、/tmp临时目录这些习惯一旦形成，回到 Windows 就处处别扭。后来我把整套 AI 开发环境搬到了 WSL2 里，用下来最大的感受是：它不是一个"模拟器"，而是跑在轻量虚拟化层上的真 Linux 内核，同时又能直接调用 Windows 侧的 NVIDIA 显卡做 GPU 加速。

这篇内容就是把我从零搭这套环境的完整过程、踩过的坑、以及一些参数选择的理由整理出来。适合的人群很明确：Windows 用户，想跑 PyTorch 训练或推理，手里有一块 NVIDIA 显卡，又不想放弃 Windows 的日常使用。如果你只是想跑跑 CPU 推理，那这套方案同样能用，只是 GPU 部分可以跳过。

1.2 WSL2 到底是个什么东西

很多人对 WSL 的印象还停留在第一代——那是一个把 Linux 系统调用翻译成 Windows 调用的兼容层，文件 IO 慢、系统调用不全，跑深度学习基本没戏。WSL2 完全换了个思路：它底层是微软自家的轻量级虚拟化技术，跑的是一个真正的 Linux 内核，由微软维护并随系统更新。你在里面uname -r看到的是一串带microsoft-standard-WSL2后缀的内核版本号，这是货真价实的 Linux 内核，不是翻译层。

这个架构差异带来的直接好处有三个。第一，系统调用完整，fork、mmap、epoll这些行为跟原生 Linux 一致，绝大多数开源项目不用改一行代码就能跑。第二，文件系统性能在 Linux 原生目录下接近裸机，尤其是大量小文件读写（比如 Python 包安装、数据集加载）比 WSL1 快一个数量级。第三，也是对我们最关键的——GPU 直通。微软和 NVIDIA 合作，把 Windows 侧的显卡驱动通过/dev/dxg这个设备节点暴露给 WSL2，Linux 侧不需要再单独装一套驱动，直接就能用nvidia-smi看到显卡。

1.3 GPU 直通的原理，一句话讲清楚

传统虚拟化里，虚拟机想用显卡要么靠 PCI 直通（把整块卡划给虚拟机，宿主机就用不了了），要么靠虚拟 GPU（性能损耗大）。WSL2 走的是另一条路：它不独占显卡，而是通过一个叫GPU-PV（GPU Paravirtualization）的机制，把宿主机的 GPU 能力以半虚拟化的方式共享给 Linux 子系统。具体表现就是，你在 WSL2 里执行nvidia-smi，看到的显存占用、进程列表，跟 Windows 侧nvidia-smi看到的是同一块卡、同一份数据。CUDA 计算任务在 Linux 侧提交，实际由 Windows 驱动调度到物理 GPU 上执行。

这个机制的关键前提是：驱动只需要装在 Windows 侧，WSL2 里不要装驱动。这是新手最容易搞错的地方，后面会专门讲。

2. 环境准备：装之前先把这几件事理清楚

2.1 硬件与系统的最低门槛

在动手之前，先对照下面这张表确认自己的机器能不能跑。这不是吓唬人，我见过太多人卡在第一步——主板 BIOS 里虚拟化没开，折腾半天以为是软件问题。

关于显卡有一点要特别说明：GPU 直通目前对 NVIDIA 支持最成熟。AMD 显卡在 WSL2 下的 ROCm 支持还在推进中，Intel 核显主要用于图形加速而非 CUDA 计算。所以如果你的目标是跑 PyTorch + CUDA，NVIDIA 是省心的选择。另外，显卡驱动版本不能太旧，建议用 NVIDIA 官网的最新 Game Ready 或 Studio 驱动，两者都包含 WSL 所需的组件。

2.2 开启虚拟化与系统功能

第一步是确认 CPU 虚拟化已开启。任务管理器 → 性能 → CPU，右下角看"虚拟化"是否为"已启用"。如果是"已禁用"，重启进 BIOS，找Intel Virtualization Technology或SVM Mode打开。

系统功能这块，Win11 和较新的 Win10 版本其实一条命令就能搞定。以管理员身份打开 PowerShell，执行：

wsl --install

这条命令会自动启用"虚拟机平台"和"适用于 Linux 的 Windows 子系统"两个可选功能，并安装默认的 Ubuntu 发行版。执行完重启一次即可。如果你的系统版本较老，或者想手动控制，也可以用传统方式：

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

重启后，把 WSL2 设为默认版本：

wsl --set-default-version 2

注意：如果你之前装过 WSL1 的发行版，需要单独用wsl --set-version <发行版名> 2转换，转换过程会重建文件系统，提前备份数据。

2.3 把 WSL2 装到非系统盘

默认情况下，WSL2 的虚拟磁盘文件（ext4.vhdx）会放在 C 盘用户目录下。这个文件会随着你装包、下数据集不断膨胀，几十 GB 是常态，C 盘紧张的话很痛苦。我的做法是把它迁到 D 盘。

先看看当前装了哪些发行版：

wsl --list --verbose

导出再导入到目标位置：

# 关闭 WSL wsl --shutdown # 导出为 tar 文件 wsl --export Ubuntu-22.04 D:\wsl\ubuntu2204.tar # 注销原发行版 wsl --unregister Ubuntu-22.04 # 导入到 D 盘 wsl --import Ubuntu-22.04 D:\wsl\Ubuntu-22.04 D:\wsl\ubuntu2204.tar --version 2

导入后默认登录用户会变成 root，需要改回普通用户。编辑/etc/wsl.conf：

[user] default=你的用户名

这里有个细节：wsl --import之后原来的用户配置还在，只是默认登录用户变了，改完wsl.conf重启 WSL 就恢复。另外，导入的目录建议放在 SSD 上，机械硬盘跑 WSL2 的 IO 会明显拖慢训练时的数据加载。

3. 安装 Linux 发行版与基础配置

3.1 发行版怎么选

WSL2 支持从微软商店一键安装多种发行版，也可以手动导入任意 Linux 镜像。对 AI 开发来说，我的建议是Ubuntu 22.04 LTS 或 24.04 LTS。原因很实际：PyTorch、CUDA 的官方文档和 wheel 包基本都以 Ubuntu 为主力测试平台，遇到问题搜到的解决方案也大多是 Ubuntu 的。Debian 也能用，但某些 CUDA 组件的依赖版本会稍微麻烦一点。

安装命令很简单：

wsl --install -d Ubuntu-22.04

装完首次启动会让你设置用户名和密码，这个密码是 sudo 用的，记牢。如果你想要更轻量的选择，也可以导入 Alpine 之类的镜像，但 AI 生态的兼容性会打折扣，不太推荐新手走这条路。

3.2 换源与基础工具

装完第一件事是换软件源。默认的 Ubuntu 源在国内访问速度不稳定，换成国内镜像能省不少时间。以 Ubuntu 22.04 为例，备份原配置后编辑/etc/apt/sources.list，把archive.ubuntu.com和security.ubuntu.com替换成镜像站地址即可。换完执行：

sudo apt update && sudo apt upgrade -y

然后装一批常用工具，这些在后面编译、调试时都会用到：

sudo apt install -y build-essential git curl wget vim htop \ python3-pip python3-venv unzip

build-essential提供 gcc、g++、make，很多 Python 包在没预编译 wheel 时需要现场编译；python3-venv用于创建隔离环境，比直接往系统 Python 里装包干净得多。

3.3 系统级配置调优

WSL2 默认会占用最多一半的物理内存，跑大模型训练时可能把 Windows 侧挤爆。可以在 Windows 用户目录下建一个.wslconfig文件（路径是C:\Users\你的用户名\.wslconfig）来限制资源：

[wsl2] memory=24GB processors=8 swap=8GB localhostForwarding=true

这里memory设成物理内存的 60% 到 70% 比较稳妥，留足给 Windows。processors是分配给 WSL2 的 CPU 核心数，别全给，留两核给系统。改完执行wsl --shutdown重启生效。

实操心得：.wslconfig里的内存限制是硬上限，但 WSL2 不会主动归还内存给 Windows，除非你 shutdown。如果发现 Windows 变卡，先看看是不是 WSL2 吃满了内存，必要时手动wsl --shutdown释放。

4. GPU 直通配置：最容易踩坑的一环

4.1 驱动只装 Windows 侧，这是铁律

前面提过，WSL2 的 GPU 直通依赖 Windows 侧的驱动。所以正确做法是：在 Windows 上装好 NVIDIA 驱动，WSL2 里什么都不用装。很多人习惯性地在 Linux 里apt install nvidia-driver-xxx，结果要么装不上，要么装上了反而冲突，nvidia-smi报错。

验证 Windows 侧驱动是否就绪，直接在 WSL2 终端里执行：

nvidia-smi

如果能看到显卡型号、驱动版本、CUDA Version 那一栏，说明直通已经通了。注意这里的 "CUDA Version" 指的是驱动支持的最高 CUDA 运行时版本，不是你当前装的 CUDA 版本，别混淆。

如果nvidia-smi提示 command not found，先确认 Windows 驱动版本够新。老驱动不带 WSL 组件，去 NVIDIA 官网下最新的装上，重启 WSL 再试。如果报Failed to initialize NVML，多半是驱动没装对或者 WSL 内核太旧，wsl --update更新一下内核。

4.2 CUDA Toolkit 的安装选择

nvidia-smi通了之后，接下来装 CUDA Toolkit。这里有个关键认知：PyTorch 自带的 wheel 包里已经包含了 CUDA 运行时，也就是说，如果你只是用 PyTorch 跑训练，其实可以不单独装完整的 CUDA Toolkit，直接装 PyTorch 就能用 GPU。

那什么时候需要单独装 CUDA Toolkit？两种情况：一是你要编译自定义 CUDA 算子（比如写.cu文件用 nvcc 编译），二是你要用 TensorRT、cuDNN 这类需要手动配置的库。如果你属于这两种，那就装。

安装方式我推荐用 NVIDIA 官方的 apt 源，比下 runfile 干净，卸载也方便。以 CUDA 12.1 为例：

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update sudo apt install -y cuda-toolkit-12-1

注意源地址里是wsl-ubuntu而不是普通的ubuntu，这是 NVIDIA 专门为 WSL 准备的仓库，别搞错。装完配置环境变量，编辑~/.bashrc：

export PATH=/usr/local/cuda-12.1/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH

然后source ~/.bashrc，执行nvcc -V验证。

4.3 版本匹配：一张表说清楚

CUDA、驱动、PyTorch 三者的版本关系是新手最容易翻车的地方。核心原则是：驱动版本决定 CUDA 上限，PyTorch 版本决定它需要哪个 CUDA。下面这张表是我整理的常见组合，供参考：

选版本的时候，先看你的显卡驱动支持到哪个 CUDA，再选不超过这个上限的 PyTorch 版本。比如驱动支持到 12.1，那就别装需要 12.4 的 PyTorch。反过来，如果 PyTorch 需要 12.1 而你的驱动只支持 11.8，要么升级驱动，要么降 PyTorch 版本。

注意：不要盲目追新。我见过有人为了用最新 PyTorch 去升级驱动，结果旧显卡不再被新驱动支持，反而用不了。升级前先查清楚自己的显卡型号在新驱动里还在不在支持列表。

5. Python 环境与 PyTorch 安装实操

5.1 用 conda 还是 venv

这是个老生常谈的问题。我的建议是：纯 PyTorch 项目用 venv 就够，涉及复杂科学计算栈（比如要装特定版本的 numpy、scipy、以及一些非 Python 依赖）用 conda 更省心。conda 的优势在于它能管理非 Python 的二进制依赖，缺点是体积大、装包慢。

如果你选 conda，推荐装 Miniconda 而不是完整版 Anaconda，后者动辄几个 GB。安装：

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

装完记得conda init bash，重开终端生效。这里有个常见报错：conda: 无法将"conda"项识别，这通常是没执行conda init或者 shell 配置没加载，重开终端或者手动source ~/.bashrc即可。

5.2 创建隔离环境并安装 PyTorch

无论用哪种方式，都强烈建议建一个独立环境，别往 base 或系统 Python 里装。以 conda 为例：

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

Python 版本选 3.10 或 3.11 比较稳，3.12 有些库还没跟上。然后装 PyTorch，一定要用官方给的命令，别直接pip install torch，那样装的是 CPU 版。去 PyTorch 官网的安装页面选好版本，它会生成对应命令。以 CUDA 12.1 为例：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

这个--index-url是关键，它指向 PyTorch 自己的 wheel 仓库，里面是带 CUDA 的版本。装完验证：

import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))

如果cuda.is_available()返回 True，恭喜，GPU 通了。返回 False 的话，往下看排查部分。

5.3 验证 GPU 真的在干活

is_available()为 True 只说明 PyTorch 能识别到 GPU，不代表计算真的跑在 GPU 上。做个实际测试：

import torch import time device = torch.device("cuda") a = torch.randn(10000, 10000, device=device) b = torch.randn(10000, 10000, device=device) # 预热 for _ in range(3): c = torch.matmul(a, b) torch.cuda.synchronize() start = time.time() for _ in range(10): c = torch.matmul(a, b) torch.cuda.synchronize() print(f"耗时: {time.time() - start:.3f}s")

同时开一个终端跑nvidia-smi -l 1，观察显存占用和 GPU 利用率有没有变化。如果利用率上去了，说明计算确实在 GPU 上跑。这个测试很有必要，因为有些情况下 PyTorch 会静默回退到 CPU，你不主动验证根本发现不了。

6. 常见问题与排查技巧实录

6.1 nvidia-smi 相关报错

这是最高频的问题，我整理成一张速查表：

一个容易被忽略的点：如果你用的是笔记本双显卡（核显 + 独显），确保 NVIDIA 驱动装的是包含 WSL 支持的版本，有些 OEM 定制驱动会阉割这部分功能，建议去 NVIDIA 官网下通用版。

6.2 PyTorch 识别不到 GPU

torch.cuda.is_available()返回 False，按这个顺序排查：

1. 先确认nvidia-smi能正常输出。如果这个都不行，问题在驱动层，跟 PyTorch 无关。
2. 检查装的 PyTorch 是不是 CUDA 版。执行pip list | grep torch，看版本号后面有没有+cu121之类的后缀。没有的话就是装了 CPU 版，卸载重装。
3. 检查 CUDA 版本和 PyTorch 是否匹配。torch.version.cuda能看到 PyTorch 编译时用的 CUDA 版本，跟nvidia-smi显示的驱动支持版本对比。
4. 如果以上都对还不行，试试wsl --shutdown重启，有时候是设备节点没正确挂载。

实操心得：我遇到过一次诡异的情况，nvidia-smi正常但 PyTorch 死活识别不到。最后发现是 conda 环境里装了个 CPU 版的pytorch-cuda包，跟 pip 装的冲突了。解决办法是conda list和pip list都查一遍，把冲突的包清干净。混用 conda 和 pip 装 PyTorch 是重灾区，尽量只用一种。

6.3 显存不足与性能问题

WSL2 下显存是跟 Windows 共享的，如果 Windows 侧有程序占着显存（比如浏览器硬件加速、游戏），WSL2 能用的就少了。训练前先nvidia-smi看看有没有别的进程占着。

另外，WSL2 的 GPU 性能相比原生 Linux 会有一定损耗，尤其是小 batch 频繁同步的场景。我的经验是，大矩阵运算损耗在 5% 以内，可以接受；但如果是大量小 kernel 启动，损耗会明显一些。如果对性能极度敏感，可以考虑双系统或者云 GPU，但日常开发调试，WSL2 的便利性完全值回这点损耗。

6.4 文件系统性能陷阱

这是 WSL2 一个经典的坑：跨文件系统访问极慢。如果你把数据集放在 Windows 的D:\data，然后在 WSL2 里通过/mnt/d/data访问，读取速度会比放在 Linux 原生目录下慢好几倍。原因是跨系统访问要走 9P 协议，开销大。

正确做法是把数据集和代码都放在 WSL2 的 Linux 文件系统里，比如~/projects、~/datasets。从 Windows 侧访问这些文件，可以用\\wsl$\Ubuntu-22.04\home\用户名这个路径。训练时数据在 Linux 侧，速度就正常了。

注意：不要把整个项目放在/mnt/c或/mnt/d下开发，哪怕你觉得方便。我早期就这么干过，一个 epoch 的数据加载时间比放在原生目录多了三倍，排查半天才发现是文件系统的问题。

7. 一些让环境更好用的小配置

7.1 终端与开发体验

WSL2 默认终端是 Windows Terminal，体验已经不错。可以装个zsh加oh-my-zsh，补全和主题更舒服：

sudo apt install -y zsh sh -c "$(curl -fsSL https://raw.githubusercontent.com/ohmyzsh/ohmyzsh/master/tools/install.sh)"

VS Code 的话，装个 "WSL" 扩展，在 WSL2 里执行code .就能直接打开当前目录，编辑器跑在 Windows 侧，文件系统在 Linux 侧，无缝衔接。这个组合我用下来是目前 Windows 上做 Linux 开发最顺手的方案。

7.2 开机自启与快捷命令

如果你经常需要进 WSL2，可以在 Windows Terminal 里配个 profile，一键打开。另外，把常用命令做成 alias 能省不少事，比如在~/.bashrc里加：

alias gs='git status' alias nv='nvidia-smi' alias act='conda activate pytorch'

7.3 备份与迁移

WSL2 的整个环境就是一个 vhdx 文件，备份很简单，前面导出命令wsl --export就是。建议在环境配好、装完所有依赖之后导出一份，以后搞坏了直接导入恢复，比重装快得多。我一般会在装完 CUDA 和 PyTorch 验证通过后立刻备份一次，这个"黄金镜像"救过我好几次。

8. 关于这套方案的边界

WSL2 不是万能的。它适合开发、调试、中小规模训练；但如果你要做多卡分布式训练、需要特定的内核模块、或者对 GPU 性能有极致要求，原生 Linux 仍然是更好的选择。另外，WSL2 的 GPU 直通目前对 NVIDIA 支持最好，AMD 和 Intel 用户可能需要等生态进一步完善。

我个人的用法是：日常开发、跑实验、调模型都在 WSL2 里，需要长时间大规模训练时再考虑迁到服务器或云上。这套组合用了两年多，稳定性没得说，唯一需要定期维护的就是 Windows 驱动和 WSL 内核的更新，保持两者版本匹配，基本不会出问题。

最后分享一个我踩过的坑：有次 Windows 自动更新了显卡驱动，结果 WSL2 里的 CUDA 突然用不了，nvidia-smi报错。折腾半天发现是新驱动和当时的 WSL 内核版本不兼容，wsl --update更新内核后就好了。所以如果你也遇到驱动更新后环境异常，第一反应应该是更新 WSL 内核，而不是去重装 CUDA。