1. 为什么要在 WSL2 里折腾 AI 开发环境1.1 一个真实的两难处境做 AI 开发的人大概率都遇到过这个场景主力机是 Windows显卡驱动、CUDA、各种 Python 环境都装好了但一到跑训练脚本就发现Windows 原生的深度学习生态总有些别扭的地方。比如某些库在 Windows 上编译不过某些依赖默认只提供 Linux 版本Docker 在 Windows 上的文件系统性能又让人抓狂。于是很多人被迫装双系统或者干脆再买一台机器专门跑 Linux。我最早也是双系统党每次要跑实验就得重启切系统切过去之后微信、文档、浏览器全没了效率极低。后来 WSL2 出来我抱着试试看的心态把整个 AI 开发流程搬了进去用了一段时间之后基本就回不去了。现在我的主力工作流就是Windows 负责日常办公和图形界面WSL2 里的 Linux 负责所有训练、推理、数据处理任务两边文件互通剪贴板互通甚至可以直接在 Windows 的编辑器里改 Linux 里的代码。这篇内容就是把我这套环境的搭建过程、踩过的坑、以及一些参数选择的理由完整梳理一遍。适合两类人看一类是刚接触 WSL2、想用它跑 AI 任务但不知道从哪下手的新手另一类是已经在用 WSL2但 GPU 一直没跑通、或者性能总觉得不对劲的老用户。我会尽量把每一步的“为什么”讲清楚而不是只丢一堆命令让你复制。1.2 WSL2 到底是个什么东西先把概念理清楚不然后面很多操作会一头雾水。WSL 全称是 Windows Subsystem for Linux翻译过来就是 Windows 下的 Linux 子系统。它有两个大版本WSL1 和 WSL2差别非常大。WSL1 本质上是一个“翻译层”它把 Linux 的系统调用实时翻译成 Windows 能懂的调用。好处是启动快、和 Windows 文件系统融合好坏处是兼容性差很多需要真实内核特性的程序跑不起来比如 Docker、比如某些依赖特定内核模块的 GPU 工具。WSL2 则完全换了个思路它内部跑的是一个真正的、由微软维护的轻量级虚拟机里面是一个完整的 Linux 内核。也就是说你在 WSL2 里用的就是货真价实的 Linux内核版本、系统调用、文件系统都是原生的。这就是标题里说的“内核级 Linux”的含义——它不是模拟不是翻译是真内核。这个架构差异直接决定了 AI 开发必须用 WSL2。因为 CUDA、cuDNN 这些 GPU 计算栈对内核的依赖很深WSL1 根本撑不起来。而 WSL2 因为是真实内核再加上微软和显卡厂商合作做了 GPU 直通GPU Passthrough才让 Linux 里的程序能直接调用物理显卡。1.3 GPU 直通解决了什么核心问题“GPU 直通”这个词听起来很唬人其实可以这样理解你的物理显卡插在 Windows 这台机器上Windows 是它的“主人”。正常情况下虚拟机里的系统是碰不到这块显卡的只能用虚拟出来的、性能很差的显卡。GPU 直通就是让 Windows 把显卡的一部分能力“借”给 WSL2 里的 Linux 直接用。具体到技术实现微软在 WSL2 内核里加了一套专门的驱动接口配合 Windows 侧的显卡驱动把 GPU 的计算能力暴露给 Linux。你在 WSL2 里执行nvidia-smi能看到显卡信息跑 PyTorch 能调用cuda靠的就是这套机制。这里有个关键点必须说清楚GPU 直通走的是计算通道不是图形通道。也就是说WSL2 里的 Linux 能用显卡做计算训练、推理但如果你想在 WSL2 里跑图形界面的 3D 游戏或者需要 OpenGL 渲染的程序那是另一套机制WSLg和 AI 开发关系不大。搞混这一点会导致很多莫名其妙的排查。理解了这三层——WSL2 是真内核、GPU 直通是借计算能力、AI 开发主要吃计算——后面的所有操作就都有了逻辑支撑。2. 环境搭建前的准备工作与选型考量2.1 硬件和系统版本的门槛不是所有 Windows 机器都能顺利跑起来这套环境动手之前先确认几个硬性条件能省掉大量无用功。首先是 Windows 版本。GPU 直通功能对系统版本有明确要求太老的版本根本不支持。我建议直接看你的系统是不是 Windows 11或者 Windows 10 的较新版本。查看方法很简单按Win R输入winver回车会弹出一个窗口显示版本号。如果版本太旧先去系统更新里升到最新这一步没有捷径。其次是显卡。GPU 直通目前主要支持两大阵营的显卡你需要装对应的 Windows 侧驱动。注意是Windows 侧的驱动不是 Linux 侧的。这一点很多人会搞反以为要在 WSL2 里装显卡驱动其实 WSL2 里的驱动是 Windows 驱动“透传”进去的你只需要保证 Windows 上的驱动足够新。驱动版本太旧是 GPU 跑不通的头号原因我后面会专门讲怎么排查。第三是虚拟化。WSL2 依赖 Windows 的虚拟化平台功能需要在 BIOS 里开启 CPU 虚拟化Intel 的叫 VT-xAMD 的叫 SVM同时在 Windows 功能里开启“虚拟机平台”。如果 BIOS 里没开后面装 WSL2 会直接报错。提示如果你用的是公司配的电脑BIOS 可能被锁了改不了虚拟化选项这种情况要么找 IT 开权限要么就只能换机器没有绕过的办法。2.2 为什么选 WSL2 而不是纯 Linux 或 Docker这里插一段选型思考因为经常有人问“我直接装个 Ubuntu 不香吗为什么要用 WSL2”。纯 Linux 的优势是纯粹、没有中间层性能理论上最好。但代价是你得放弃 Windows 的整个生态办公、沟通、娱乐全得换。对于需要兼顾工作和生活的人来说这个代价不小。而且双系统切换的时间成本日积月累非常可观。Docker 方案的优势是环境隔离干净但它在 Windows 上跑的时候底层其实还是依赖 WSL2 或者一个虚拟机。也就是说你用 Docker 跑 GPU 任务最终还是绕不开 WSL2 这一层。既然如此不如直接把 WSL2 当主力环境需要隔离的时候再在 WSL2 里套 Docker这样层次更清晰。WSL2 的核心优势在于“融合”它既有真实 Linux 内核的兼容性和性能又能和 Windows 无缝互通。文件可以互相访问剪贴板共享网络互通甚至能在 Windows 的终端里直接操作 Linux。这种体验是双系统和纯 Docker 都给不了的。2.3 磁盘和内存的规划WSL2 默认会把整个 Linux 系统装在一个虚拟磁盘文件里这个文件会随着你装东西越来越大。如果你打算认真做 AI 开发数据集、模型权重、conda 环境加起来轻松上百 GB所以磁盘规划要提前想好。默认情况下 WSL2 装在 C 盘如果你的 C 盘空间紧张建议把 WSL2 迁移到其他盘。迁移的方法后面会讲但最好一开始就规划好省得后期搬来搬去。内存方面WSL2 默认会占用最多一半的物理内存较新版本可以配置。跑大模型训练的时候如果内存不够会直接 OOM 崩掉。建议在配置文件里手动限制一下 WSL2 能用的内存上限避免它把 Windows 主系统挤爆。这个配置后面会给出具体写法。3. WSL2 安装与基础配置实操3.1 一条命令装好 WSL2现在的 WSL 安装已经比早期简单太多了。早期要手动开启一堆 Windows 功能、下载内核更新包、设置默认版本步骤繁琐还容易出错。现在微软把流程简化成了一条命令。以管理员身份打开 PowerShell执行wsl --install这条命令会自动帮你做几件事开启所需的 Windows 功能、下载并安装 WSL2 内核、安装一个默认的 Linux 发行版通常是 Ubuntu。执行完之后重启电脑重启后系统会让你设置 Linux 的用户名和密码。如果你想要指定发行版可以先看看有哪些可选wsl --list --online然后指定安装wsl --install -d Ubuntu-22.04我一般推荐用 Ubuntu 的 LTS 版本因为 AI 生态里的各种库对 Ubuntu LTS 的支持最完善遇到问题也最容易搜到解决方案。非 LTS 版本或者冷门发行版有时候装个 CUDA 都能卡半天。装完之后验证一下版本wsl --list --verbose输出里会显示每个发行版的名字、状态和 WSL 版本。确认 VERSION 那一列是 2如果是 1 需要手动切换wsl --set-version Ubuntu-22.04 23.2 首次进入后的基础配置第一次进入 Linux 环境先做几件基础的事能让后续操作顺畅很多。第一件是更新软件源。Ubuntu 刚装好的时候软件源可能不是最优的更新一下sudo apt update sudo apt upgrade -y第二件是装一些常用工具比如curl、wget、git、build-essential。这些在后面装各种环境的时候都会用到sudo apt install -y curl wget git build-essential第三件是配置国内软件源如果你在国内网络环境下。默认的源在国外下载速度可能很慢。换成国内镜像源之后apt install的速度会有质的提升。具体换源方法网上很多核心就是修改/etc/apt/sources.list文件把里面的地址替换成镜像站地址。换完之后再执行一次sudo apt update。注意换源的时候一定要选和你系统版本匹配的源。比如 Ubuntu 22.04 的代号是 jammy源地址里必须包含 jammy用错版本代号会导致更新报错。3.3 内存和 CPU 资源的限制配置前面提到 WSL2 默认会吃掉大量内存这个行为可以通过配置文件控制。在 Windows 用户目录下创建一个.wslconfig文件注意文件名前面有个点路径大概是C:\Users\你的用户名\.wslconfig。文件内容这样写[wsl2] memory32GB processors8 swap8GB这几个参数的含义memory是 WSL2 能用的最大内存processors是能用的 CPU 核心数swap是交换空间大小。具体数值根据你机器的实际配置来定。比如你有 64GB 内存给 WSL2 分 32GB 比较合理留一半给 Windows。如果你有 16 核 CPU分 8 核给 WSL2。改完这个文件需要重启 WSL2 才生效wsl --shutdown然后重新进入即可。这个配置的意义在于避免 WSL2 在跑大任务时把 Windows 主系统拖垮。我踩过的坑就是没限制内存结果跑一个数据处理脚本的时候WSL2 把内存吃满Windows 直接卡死只能强制重启。4. GPU 直通配置与验证全流程4.1 Windows 侧驱动是成败关键GPU 直通能不能成功九成取决于 Windows 侧的驱动。这里再强调一遍你不需要在 WSL2 里装显卡驱动你需要的是在 Windows 上装好最新版的显卡驱动。去显卡厂商的官网下载对应型号的最新驱动装好之后重启。判断驱动是否够新的一个简单标准是驱动版本要支持 WSL 的 GPU 功能。太老的驱动即使装了WSL2 里也识别不到显卡。装完驱动之后在 Windows 的 PowerShell 里执行nvidia-smi如果能看到显卡信息说明 Windows 侧驱动正常。这一步是基础Windows 侧都看不到显卡WSL2 里更不可能看到。4.2 在 WSL2 里验证 GPU 是否直通成功进入 WSL2 的 Linux 环境直接执行nvidia-smi如果配置正确你会看到和 Windows 侧类似的输出显示显卡型号、驱动版本、显存占用等信息。看到这个输出恭喜你GPU 直通已经成功了。如果报错说找不到命令或者提示无法与驱动通信那说明直通没成功。这时候按下面的顺序排查第一确认 Windows 侧nvidia-smi正常。如果 Windows 侧都不正常先解决 Windows 侧。第二确认 WSL2 版本是 2 不是 1。用wsl --list --verbose检查。第三确认 Windows 驱动是最新的。这是最常见的原因很多人驱动装了一两年没更新直接导致直通失败。第四重启 WSL2。有时候驱动更新了但 WSL2 还在用旧的会话wsl --shutdown之后重进。提示WSL2 里的nvidia-smi显示的驱动版本和 Windows 侧是一致的因为它是同一个驱动透传进来的。如果你发现两边版本不一致那说明哪里出了问题。4.3 CUDA 工具链的安装思路GPU 直通成功之后下一步是装 CUDA 工具链。这里有个容易踩的坑不要在 WSL2 里装完整的 CUDA 驱动包因为驱动已经由 Windows 透传了你只需要装 CUDA Toolkit工具链本身。装 CUDA Toolkit 的方式有几种。最省事的是通过 conda 装因为 conda 会把 CUDA 相关的库都打包好不依赖系统级的安装conda install cudatoolkit11.8 -c conda-forge这种方式的好处是环境隔离不同项目可以用不同版本的 CUDA互不干扰。缺点是 conda 的 CUDA 包有时候版本更新滞后。另一种方式是去官网下载 CUDA Toolkit 的安装包按官方指引安装。这种方式装的是系统级的 CUDA所有环境共享。适合你确定整个机器就用一个 CUDA 版本的情况。我个人的习惯是用 conda 管理 CUDA 版本因为 AI 项目经常需要切换不同版本的框架而不同框架对 CUDA 版本的要求不一样。用 conda 可以做到每个项目一个独立环境非常干净。4.4 用 PyTorch 做最终验证装完 CUDA最终要验证的是深度学习框架能不能真正调用 GPU。以 PyTorch 为例装好之后跑一段验证代码import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果torch.cuda.is_available()返回True并且能打印出显卡型号那整套环境就彻底通了。如果返回False说明 PyTorch 没找到 CUDA可能是版本不匹配或者 CUDA 没装好。这里有个经验PyTorch 的版本和 CUDA 版本必须匹配。比如 PyTorch 2.x 通常对应 CUDA 11.8 或 12.x。装的时候去 PyTorch 官网看版本对应表别凭感觉装。装错了版本cuda.is_available()就是False而且报错信息往往很隐晦不好排查。5. 开发环境与工作流的搭建5.1 Python 环境管理conda 还是 venvAI 开发离不开 Python 环境管理。主流方案有两个conda 和 venv。我的建议是 AI 开发优先用 conda原因是 conda 不仅能管 Python 包还能管非 Python 的依赖比如 CUDA、cuDNN 这些底层库。venv 只管 Python 包底层库还得系统级装容易冲突。装 Miniconda比完整版 Anaconda 轻量wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh装完之后初始化一下 shell然后就可以创建环境了conda create -n aienv python3.10 conda activate aienv每个项目建一个独立环境这是铁律。我见过太多人所有项目共用一个环境结果装 A 项目的依赖把 B 项目搞崩了排查半天。环境隔离的成本很低收益很高。5.2 代码放在哪个文件系统这是个容易被忽视但影响很大的问题。WSL2 里访问 Windows 文件和访问 Linux 自己的文件性能差异巨大。具体来说Linux 原生文件系统在 WSL2 内部路径类似/home/用户名/的读写性能是最好的。而通过/mnt/c/这种方式访问 Windows 文件性能会明显下降尤其是大量小文件读写的时候差距可能有几倍甚至十几倍。AI 开发经常要读写大量小文件比如数据集里成千上万张图片所以强烈建议把代码和数据集放在 Linux 原生文件系统里不要放在/mnt/c/下面。我早期图方便把项目放在 Windows 盘里结果数据加载慢得让人怀疑人生后来搬到 Linux 侧速度立刻正常了。那怎么在 Windows 里编辑 Linux 里的代码呢用 VS Code 的 Remote 功能。装一个 WSL 扩展就能在 Windows 的 VS Code 里直接打开 WSL2 里的文件夹编辑体验和本地一样但文件实际存在 Linux 侧性能不受影响。5.3 终端和编辑器的选择终端方面Windows Terminal 是目前最好用的选择支持多标签、分屏、自定义主题而且能直接打开 WSL2 的会话。装好之后把默认终端设成它日常操作会舒服很多。编辑器方面VS Code 配合 WSL 扩展基本是标配。它的工作模式是VS Code 的界面跑在 Windows 上但代码解析、终端、调试都跑在 WSL2 里。这样既有 Windows 的流畅界面又有 Linux 的环境。装好扩展之后在 WSL2 终端里输入code .就能直接打开当前目录。如果你习惯用其他编辑器比如 Vim 或者 Neovim那直接在 WSL2 里装就行配合 Windows Terminal 使用体验也很好。6. 常见问题排查与避坑经验6.1 GPU 相关问题的速查表GPU 问题是这套环境里最容易出问题的部分我把常见的现象和排查方向整理成表方便对照。现象可能原因排查方向WSL2 里nvidia-smi找不到命令驱动未透传或 WSL 版本不对检查 Windows 驱动版本、确认 WSL 版本为 2nvidia-smi报无法通信Windows 驱动太旧更新 Windows 侧显卡驱动到最新PyTorchcuda.is_available()为 FalseCUDA 版本与框架不匹配核对 PyTorch 与 CUDA 版本对应关系训练时显存报 OOM显存不足或 batch 太大减小 batch size、检查是否有残留进程占显存训练速度异常慢数据在/mnt/c/下把数据移到 Linux 原生文件系统这张表覆盖了我遇到过的绝大多数 GPU 问题。实际排查的时候按“Windows 侧驱动 → WSL 版本 → CUDA 版本 → 框架版本 → 数据位置”这个顺序一层层往下查基本都能定位到。6.2 网络和代理相关的注意事项AI 开发经常需要下载数据集、模型权重、pip 包这些操作对网络环境有要求。WSL2 的网络是 NAT 模式默认情况下和 Windows 共享网络出口但有些细节需要注意。如果你在 Windows 上配置了网络代理WSL2 默认不会自动继承。需要在 WSL2 里单独配置环境变量指向 Windows 主机的代理地址。Windows 主机在 WSL2 里的地址可以通过/etc/resolv.conf里的 nameserver 找到或者用ip route查看默认网关。配置代理的方式是在 shell 配置文件比如~/.bashrc里加export http_proxyhttp://主机地址:端口 export https_proxyhttp://主机地址:端口配好之后source ~/.bashrc生效。这个配置对 pip、conda、git 都有效。注意代理配置只影响命令行工具不影响已经运行的进程。改完配置要重新开终端或者重新加载配置。6.3 磁盘空间和性能的坑WSL2 的虚拟磁盘文件会不断增长但默认不会自动收缩。也就是说你在 WSL2 里删了文件虚拟磁盘文件在 Windows 侧看起来还是那么大。时间长了这个文件可能膨胀到几百 GB。解决办法是手动压缩。先关闭 WSL2wsl --shutdown然后用 diskpart 工具压缩虚拟磁盘。具体步骤是打开 diskpart选择虚拟磁盘文件执行压缩命令。这个过程可能需要几分钟取决于文件大小。另一个坑是文件系统性能。前面提过/mnt/c/的性能问题这里再补充一点不仅是读写慢某些操作比如大量文件的git status在/mnt/c/下会慢到无法忍受。所以再次强调项目和数据都放 Linux 侧。6.4 一些零散但重要的经验第一定期更新 WSL2 内核。微软会不定期发布内核更新修复 bug、提升性能。用wsl --update就能更新。第二备份重要环境。WSL2 支持导出和导入可以把配好的环境导出成文件备份换机器的时候直接导入省去重新配置的麻烦wsl --export Ubuntu-22.04 backup.tar wsl --import Ubuntu-22.04 D:\wsl\Ubuntu backup.tar第三注意 Windows 和 WSL2 的换行符差异。Windows 用 CRLFLinux 用 LF。在两边共享的脚本文件里换行符不一致会导致脚本执行报错。用 git 的时候配置一下core.autocrlf或者用编辑器统一换行符。第四WSL2 的时间可能和 Windows 不同步导致某些依赖时间戳的操作出问题。如果发现时间不对重启 WSL2 通常能解决。这套环境我从最早的 WSL1 时代就开始折腾中间经历过无数次重装和排查现在这套配置已经稳定跑了很久。最大的体会是把基础打牢后面就顺了。驱动、版本、文件系统位置这几个关键点一开始就配对能省掉后面 90% 的麻烦。很多人卡在 GPU 跑不通其实回头检查一下驱动版本就解决了根本不用重装系统。