1. 为什么要在 Windows 上折腾内核级 Linux 开发环境如果你是一个长期在 Windows 上做 AI 开发的工程师大概率经历过这样的场景本地跑一个 PyTorch 训练脚本Windows 原生 Python 环境各种 DLL 冲突、CUDA 版本对不上、某些 Linux-only 的库根本装不了于是你装了个虚拟机结果发现 GPU 直通配置复杂到让人想砸键盘性能损耗还大得离谱。这种两难局面几乎每个做深度学习的人都遇到过。WSL2 的出现改变了这个局面。它不是传统的虚拟机也不是简单的兼容层而是微软在 Windows 内核上实现的一套轻量级虚拟化方案底层跑的是真正的 Linux 内核。这意味着你在 Windows 里能拿到一个几乎原生的 Linux 用户态环境同时还能直接调用宿主机的 NVIDIA GPU 做 CUDA 计算。对于 AI 开发来说这个组合的吸引力是致命的你既保留了 Windows 的桌面生态和办公便利又获得了 Linux 下完整的工具链和 GPU 算力。这篇文章要讲的就是怎么从零把 WSL2 打造成一个能跑深度学习训练的 AI 开发环境。我会覆盖发行版选择、GPU 直通配置、CUDA 工具链安装、Python 环境隔离、文件系统性能优化、以及几个我踩过的坑。适合已经有一定 Linux 基础、想在 Windows 上搭建高效 AI 开发环境的读者。如果你还在纠结到底用 WSL2 还是双系统还是纯 Linux 服务器我也会在过程中给出我的判断依据。先说结论对于绝大多数个人 AI 开发者和小团队来说WSL2 GPU 直通是目前 Windows 平台上性价比最高的方案没有之一。但它的配置有几个关键节点一旦搞错就会陷入明明装了驱动却用不了 GPU的困境。下面我按实际配置顺序一步步拆。2. 环境准备从启用虚拟化到选对发行版2.1 硬件与系统前提检查在动手之前先确认你的机器满足几个硬性条件。CPU 需要支持硬件虚拟化Intel VT-x 或 AMD-V这个在 BIOS 里要手动开启很多人卡在这一步却以为是软件问题。内存建议至少 16GB因为 WSL2 默认会占用宿主机一半内存跑训练时显存之外的内存开销也不小。硬盘最好是 NVMe SSD后面会讲到文件系统性能对训练数据读取的影响非常大。系统版本方面Windows 10 需要 2004 版本及以上Windows 11 全版本支持。检查方法很简单按Win R输入winver就能看到版本号。另外要确认你的 GPU 是 NVIDIA 的因为目前 WSL2 的 GPU 直通对 NVIDIA 支持最成熟AMD 和 Intel 的显卡在 WSL2 下的 CUDA 等价方案还不完善做深度学习基本不用考虑。提示如果你用的是笔记本双显卡集显 独显WSL2 会正确识别 NVIDIA 独显但要注意电源模式设置为高性能否则训练时可能被降频。2.2 启用 WSL2 与虚拟化平台打开 PowerShell管理员权限执行启用 WSL 和虚拟机平台的命令。这里有个细节Windows 11 上推荐直接用wsl --install一条命令搞定但 Windows 10 上需要分步来而且启用功能后必须重启。# Windows 11 一键安装会自动启用所需功能并安装默认发行版 wsl --install # Windows 10 分步操作 dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart # 重启后再执行 wsl --set-default-version 2重启之后用wsl --status确认默认版本是 2。如果显示还是 1用wsl --set-default-version 2改过来。这一步很多人忽略结果装完发行版发现是 WSL1GPU 直通根本不支持。2.3 发行版选择Ubuntu 不是唯一答案大多数人默认装 Ubuntu这没错但版本选择有讲究。做 AI 开发我推荐 Ubuntu 22.04 LTS 或 24.04 LTS原因是这两个版本的 CUDA 工具链支持最完整社区文档也最全。不要用最新的非 LTS 版本驱动兼容性容易出问题。安装命令# 查看可用的发行版列表 wsl --list --online # 安装指定发行版 wsl --install -d Ubuntu-22.04装完之后第一次启动会让你设置用户名和密码这个用户默认不是 root但可以通过 sudo 提权。这里有个经验用户名不要用中文或特殊字符后面配置 SSH、Docker 映射时会省很多事。如果你对系统体积敏感也可以考虑 Debian它更精简但 CUDA 相关的包有时候需要手动处理依赖。对于新手我还是建议 Ubuntu因为遇到问题时能搜到的解决方案最多。3. GPU 直通的核心驱动安装的先后顺序不能乱3.1 为什么 GPU 直通容易失败WSL2 的 GPU 直通原理和传统虚拟机完全不同。传统虚拟机需要把物理 GPU 设备透传给虚拟机配置复杂且性能损耗大。WSL2 采用的是微软和 NVIDIA 合作实现的 GPU 半虚拟化方案Linux 内核里跑的是一个特殊的驱动通过/dev/dxg设备节点和 Windows 侧的驱动通信最终调用宿主机的 GPU。这个架构决定了驱动安装的顺序极其关键必须先装 Windows 侧的 NVIDIA 驱动再装 WSL2 内部的 CUDA 工具链绝对不要在 WSL2 里装 NVIDIA 的 Linux 显卡驱动。我见过太多人习惯性地在 Linux 里apt install nvidia-driver-xxx结果直接把 GPU 直通搞崩因为 WSL2 里的驱动是微软定制的和标准 Linux 驱动冲突。3.2 Windows 侧驱动版本选择有讲究去 NVIDIA 官网下载 Windows 版的 Game Ready 或 Studio 驱动都行但版本要足够新。WSL2 的 GPU 支持需要驱动版本在 470 以上建议直接用最新的。安装时选择自定义安装勾选执行清洁安装避免旧驱动残留。装完之后在 PowerShell 里执行nvidia-smi能看到显卡信息就说明 Windows 侧驱动正常。这一步是基础如果这里都不行后面不用继续了。3.3 WSL2 内部只装 CUDA Toolkit不装驱动进入 WSL2 的 Ubuntu 环境先更新包列表然后安装 CUDA Toolkit。注意NVIDIA 官方为 WSL2 提供了专门的 CUDA 仓库不要用 Ubuntu 自带的nvidia-cuda-toolkit包那个版本旧且不一定支持 WSL2。# 更新系统 sudo apt update sudo apt upgrade -y # 安装基础编译工具 sudo apt install -y build-essential gcc g make # 添加 NVIDIA CUDA 仓库以 Ubuntu 22.04 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 # 安装 CUDA Toolkit这里选 12.4 版本可按需调整 sudo apt install -y cuda-toolkit-12-4装完之后配置环境变量编辑~/.bashrcexport PATH/usr/local/cuda-12.4/bin:$PATH export LD_LIBRARY_PATH/usr/local/cuda-12.4/lib64:$LD_LIBRARY_PATH然后source ~/.bashrc执行nvcc --version确认编译器可用。最关键的一步是执行nvidia-smi如果能在 WSL2 里看到 GPU 信息说明直通成功。这里有个常见问题如果提示nvidia-smi: command not found是因为 WSL2 里的 nvidia-smi 是 Windows 驱动提供的路径在/usr/lib/wsl/lib/需要把这个路径加到环境变量里。export PATH/usr/lib/wsl/lib:$PATH3.4 验证 GPU 是否真正可用光看nvidia-smi还不够要实际跑一个 CUDA 程序验证。最省事的方法是用 PyTorch 测试import torch print(CUDA available:, torch.cuda.is_available()) print(Device name:, torch.cuda.get_device_name(0)) print(CUDA version:, torch.version.cuda)如果torch.cuda.is_available()返回 True恭喜你GPU 直通完全打通。如果返回 False先检查 PyTorch 是不是 CPU 版本再检查 CUDA 版本和 PyTorch 编译版本是否匹配。我遇到过最坑的情况是 pip 装成了 CPU 版 PyTorch卸载重装 GPU 版就好。4. Python 环境隔离与 AI 框架安装的实战细节4.1 为什么不要用系统 PythonUbuntu 自带的 Python 是系统组件很多系统工具依赖它。如果你直接pip install往系统 Python 里装包轻则版本冲突重则把系统工具搞坏。做 AI 开发必须用虚拟环境隔离这是铁律。我推荐用 Miniconda 而不是 venv原因是 AI 生态里很多包尤其是 CUDA 相关的通过 conda 安装能自动处理依赖比 pip 省心。当然如果你习惯 pip用 venv 也完全没问题只是 CUDA 相关的包要自己确保版本匹配。# 下载并安装 Miniconda wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 安装完成后初始化 source ~/.bashrc4.2 创建专用环境并安装 PyTorch创建一个专门的 AI 环境Python 版本选 3.10 或 3.11这两个版本和主流框架兼容性最好。conda create -n ai-dev python3.11 -y conda activate ai-dev # 安装 PyTorch注意 CUDA 版本要和前面装的一致 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124这里有个细节PyTorch 官网的安装命令会根据你选的 CUDA 版本生成不同的 index-url。如果你前面装的是 CUDA 12.4这里就要用 cu124。版本不匹配的话PyTorch 会回退到 CPU 模式torch.cuda.is_available()就是 False。4.3 验证训练是否真的跑在 GPU 上装完框架后跑一个简单的训练循环验证。不要只看is_available()要实际做一次前向和反向传播确认显存被占用。import torch import torch.nn as nn device torch.device(cuda if torch.cuda.is_available() else cpu) model nn.Sequential(nn.Linear(1000, 1000), nn.ReLU(), nn.Linear(1000, 10)).to(device) x torch.randn(64, 1000).to(device) y torch.randn(64, 10).to(device) optimizer torch.optim.SGD(model.parameters(), lr0.01) for i in range(100): optimizer.zero_grad() loss nn.MSELoss()(model(x), y) loss.backward() optimizer.step() print(Training done on:, device) print(Memory allocated:, torch.cuda.memory_allocated() / 1024**2, MB)如果显存有占用且训练速度明显快于 CPU说明整个链路是通的。我实测下来同样的模型在 WSL2 里的训练速度和原生 Linux 差距在 5% 以内对于绝大多数场景完全够用。5. 文件系统性能跨系统访问的隐形陷阱5.1 为什么你的训练数据读取慢得离谱WSL2 有一个非常容易被忽视的性能问题跨文件系统访问。WSL2 的 Linux 文件系统ext4和 Windows 的 NTFS 是两套独立的系统从 WSL2 里访问/mnt/c/下的文件性能损耗可能高达 10 倍以上。如果你把训练数据集放在 Windows 的 D 盘然后在 WSL2 里读取数据加载会成为整个训练流程的瓶颈。我做过一个对比测试同样一个 10GB 的图像数据集放在 WSL2 内部文件系统里每个 epoch 的数据加载时间是 12 秒放在/mnt/d/下加载时间变成 140 秒。这个差距在训练几十个 epoch 的时候是灾难性的。5.2 正确的数据存放策略原则很简单所有 AI 开发相关的文件都放在 WSL2 内部的文件系统里。WSL2 的根目录在 Windows 侧的位置是\\wsl$\Ubuntu-22.04\你可以通过这个路径在 Windows 资源管理器里访问方便传文件。具体做法数据集、模型权重、代码仓库全部放在~/或/data/下如果数据集太大WSL2 磁盘空间不够可以用wsl --export和wsl --import把整个发行版迁移到空间更大的盘需要和 Windows 交换的文件放在一个专门的目录用完就移走不要长期驻留# 查看 WSL2 磁盘占用 df -h # 如果空间不够在 Windows 侧迁移发行版到其他盘 wsl --shutdown wsl --export Ubuntu-22.04 D:\wsl-backup\ubuntu.tar wsl --unregister Ubuntu-22.04 wsl --import Ubuntu-22.04 D:\wsl\ubuntu D:\wsl-backup\ubuntu.tar5.3 内存与 CPU 资源限制WSL2 默认会占用宿主机一半的内存这在跑大模型训练时可能不够用也可能反过来影响 Windows 的流畅度。可以通过配置文件手动调整。在 Windows 用户目录下创建.wslconfig文件[wsl2] memory32GB processors8 swap8GB localhostForwardingtrue这里memory根据你宿主机的实际内存来定建议留 8GB 给 Windows 系统。processors设置成物理核心数不要超过否则会因超线程调度反而变慢。改完之后wsl --shutdown重启生效。注意.wslconfig文件必须放在 Windows 用户目录下如C:\Users\你的用户名\不是 WSL2 内部放错位置不生效。6. 踩坑实录那些让我折腾半天的诡异问题6.1 nvidia-smi 突然失效有一次我更新了 Windows 的 NVIDIA 驱动结果 WSL2 里的nvidia-smi直接报错Failed to initialize NVML: GPU access blocked by the operating system。排查了半天最后发现是 Windows 驱动更新后WSL2 的 GPU 直通需要重新初始化。解决方法很简单wsl --shutdown完全关闭 WSL2再重新进入就好了。这个坑的关键在于很多人以为要重装驱动其实只需要重启 WSL2 实例。6.2 CUDA 版本和 PyTorch 版本不匹配这个坑我踩过不止一次。PyTorch 的每个版本都对应特定的 CUDA 版本比如 PyTorch 2.1 对应 CUDA 11.8 和 12.1PyTorch 2.4 对应 CUDA 12.1 和 12.4。如果你装的 CUDA Toolkit 是 12.4但 pip 装的是 cu121 的 PyTorch虽然能跑但可能触发一些奇怪的运行时错误。最稳妥的做法是去 PyTorch 官网的安装页面根据你的 CUDA 版本生成对应的安装命令不要凭记忆写。6.3 磁盘空间莫名被占满WSL2 的虚拟磁盘文件ext4.vhdx会随着使用不断增长但删除文件后不会自动收缩。我遇到过训练完删了几十 GB 的中间文件但 Windows 侧看磁盘占用还是没降。解决方法是手动压缩# 在 PowerShell 中执行 wsl --shutdown # 使用 diskpart 压缩虚拟磁盘 diskpart # 在 diskpart 交互界面中 select vdisk fileC:\Users\你的用户名\AppData\Local\Packages\...\ext4.vhdx attach vdisk readonly compact vdisk detach vdisk exit这个操作能把实际未使用的空间释放回 Windows。建议定期做一次尤其是经常处理大文件的场景。6.4 网络代理导致的 pip 安装失败在公司网络环境下pip 和 conda 安装经常因为代理问题失败。WSL2 的网络是 NAT 模式默认不继承 Windows 的代理设置。如果遇到连接超时可以在 WSL2 里手动配置代理或者直接用国内镜像源# 配置 pip 国内源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple # conda 配置国内源 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes镜像源能解决大部分下载慢的问题但如果公司网络有特殊限制还是需要配置代理。WSL2 里配置代理的方法是在~/.bashrc里设置http_proxy和https_proxy环境变量指向 Windows 宿主机的 IP。宿主机的 IP 可以通过cat /etc/resolv.conf里的 nameserver 获取。7. 进阶优化让开发体验更接近原生 Linux7.1 用 VS Code Remote 做开发在 WSL2 里写代码最舒服的方式是用 VS Code 的 Remote - WSL 扩展。它让你在 Windows 侧的 VS Code 里直接编辑 WSL2 里的文件终端、调试、Git 全部在 Linux 环境下运行但界面是 Windows 的。这个体验比在 WSL2 里装图形界面好太多也比在 Windows 侧编辑再同步到 WSL2 高效。配置方法在 VS Code 里安装 WSL 扩展然后按CtrlShiftP输入 WSL: Connect to WSL选择你的发行版即可。连接后左下角会显示 WSL: Ubuntu-22.04此时打开的终端就是 WSL2 的 shell。7.2 Docker 与 WSL2 的配合如果你用 Docker 做环境隔离WSL2 下的 Docker Desktop 性能比 Windows 原生好很多因为 Docker 的 Linux 容器可以直接跑在 WSL2 的内核上。安装 Docker Desktop 后在设置里勾选 Use the WSL 2 based engine然后把你的发行版加到 WSL Integration 里。这样在 WSL2 终端里就能直接用docker命令且容器能访问 GPU需要安装 NVIDIA Container Toolkit。# 在 WSL2 里验证 Docker GPU 支持 docker run --rm --gpus all nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi如果这条命令能输出 GPU 信息说明 Docker 的 GPU 直通也通了。这个组合对于需要复现论文实验、管理多个项目环境的场景非常有用。7.3 开机自启与后台服务WSL2 默认不会开机自启每次都要手动打开终端。如果你有常驻的服务比如 Jupyter Lab、数据库可以配置 Windows 任务计划程序在登录时自动启动 WSL2 并运行指定命令。不过要注意WSL2 实例在没有活动进程时会自动关闭所以常驻服务需要保持一个前台进程。一个简单的做法是在 Windows 启动文件夹里放一个快捷方式指向wsl -d Ubuntu-22.04 -e bash -c your-command。但更优雅的方式是用systemdWSL2 从 0.67.6 版本开始支持 systemd在/etc/wsl.conf里启用后就能像标准 Linux 一样管理服务。# /etc/wsl.conf [boot] systemdtrue启用 systemd 后systemctl命令就能用了Jupyter、PostgreSQL 这些服务可以设置开机自启。这个改动对开发体验的提升很大强烈建议开启。8. 我的实际使用体会与几个小技巧用 WSL2 做 AI 开发这两年我最大的感受是它把 Windows 和 Linux 的优势真正结合起来了。以前我要么忍受 Windows 下各种环境问题要么远程连 Linux 服务器受网络延迟折磨现在本地就能有一个接近原生的 Linux 环境GPU 性能损耗小到可以忽略。几个我总结的小技巧第一定期用wsl --shutdown重启 WSL2 实例尤其是长时间训练之后能释放一些被占用的资源第二把常用的 conda 环境导出成 yaml 文件备份换机器时一键恢复第三训练日志和 checkpoint 定期同步到 Windows 侧或云存储避免 WSL2 磁盘出问题时数据丢失第四如果显存不够可以用torch.cuda.empty_cache()手动清理或者调整 batch size 和梯度累积步数。还有一个容易被忽略的点WSL2 的时钟可能和宿主机有偏差长时间训练时如果涉及时间戳相关的逻辑建议在 WSL2 里配置 NTP 同步。这个坑我在做时序数据训练时踩过日志时间错乱排查了很久。总的来说WSL2 GPU 直通这套方案已经足够成熟配置一次之后能长期稳定使用。如果你还在犹豫要不要折腾我的建议是直接上手投入的两三个小时绝对值得。