1. 为什么我最终把 AI 开发环境搬进了 WSL2三年前如果有人跟我说把深度学习训练环境跑在 Windows 上我大概率会笑一笑然后继续用双系统。那时候的痛点太真实了Windows 下装 CUDA 各种版本冲突conda 环境动不动就崩想用个 Linux 专属的工具链还得重启切系统。直到我把整套 PyTorch CUDA 的开发流程完整迁移到 WSL2 上跑通并且实测 GPU 直通性能损失控制在个位数百分比之后我才意识到这套方案已经成熟到可以当主力环境用了。WSL2 的本质是在 Windows 上跑了一个轻量级的完整 Linux 内核虚拟机它和早期的 WSL1 有本质区别——WSL1 是系统调用翻译层很多底层操作比如 GPU 相关的 ioctl根本没法透传WSL2 是真正的内核级虚拟化配合微软的 GPU 半虚拟化驱动GPU-PV可以把宿主机的 NVIDIA 显卡直接借给 Linux 子系统用。这意味着你在 WSL2 里跑nvidia-smi能看到真实的显卡跑 PyTorch 训练能吃到 CUDA 加速而不是像某些方案那样只能跑 CPU。这套环境适合谁我给三类人强烈推荐第一类是主力机是 Windows 但需要 Linux 工具链的开发者比如你要用apt装一堆依赖、要用 bash 脚本、要用 Linux 专属的编译工具第二类是学生或者只有一台电脑的人不想折腾双系统又想同时保留 Windows 的办公娱乐能力第三类是需要在本地做模型微调、跑推理的 AI 从业者尤其是显存需求在 24G 以内的场景本地 4090 或者 3090 完全够用没必要去租云 GPU。但我要先泼一盆冷水WSL2 不是银弹。它的文件系统跨系统访问性能很差网络配置有坑显存管理机制和原生 Linux 不一样某些底层库会有兼容性问题。这篇文章我会把从零部署到跑通 PyTorch 训练的全流程拆开讲包括我踩过的每一个坑和对应的解决方案让你少走弯路。2. 部署前的硬件与系统门槛核查2.1 显卡与驱动的硬性要求WSL2 的 GPU 直通对硬件有明确要求不是所有显卡都能用。核心门槛是NVIDIA 显卡需要是 Kepler 架构之后的产品大概 GTX 700 系列以后AMD 显卡需要是 RDNA 架构之后Intel 核显则需要是较新的型号。我实测过 GTX 1060、RTX 3060、RTX 4090 都能正常直通老一点的 GTX 750Ti 也能跑但性能损失明显。驱动这块是最容易出问题的地方。很多人以为要在 WSL2 里单独装 NVIDIA 驱动这是大错特错。正确的做法是只在 Windows 宿主机装 NVIDIA 驱动WSL2 里绝对不要装任何显卡驱动。WSL2 会通过/usr/lib/wsl/lib/目录下的驱动库自动挂载宿主机的驱动。如果你手贱在 WSL2 里apt install nvidia-driver-xxx大概率会把整个 GPU 直通搞崩到时候nvidia-smi直接报错。Windows 驱动版本建议用 470 以上的版本太老的驱动对 WSL2 的 GPU-PV 支持不完整。我一般推荐直接去 NVIDIA 官网下最新的 Game Ready 或者 Studio 驱动Studio 驱动对计算任务更友好一些。装完驱动后在 PowerShell 里跑nvidia-smi确认宿主机能正常识别显卡。2.2 Windows 版本与虚拟化功能开启WSL2 要求 Windows 10 版本 2004 以上内部版本 19041或者 Windows 11 全版本。我强烈建议用 Windows 11因为 Win11 对 WSL2 的支持更完善尤其是 WSLg图形界面支持和 systemd 支持都是 Win11 才有的。开启虚拟化功能是必须的但这里有个坑很多人只开了 BIOS 里的 VT-x/AMD-V忘了开 Windows 的虚拟机平台和适用于 Linux 的 Windows 子系统这两个功能。正确的开启方式是在 PowerShell管理员里执行dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart执行完必须重启。重启后跑wsl --version确认 WSL 版本如果提示wsl2 尚未准备就绪大概率是虚拟化没开全去任务管理器的性能标签页看虚拟化是不是已启用。注意如果你用的是 Windows 家庭版Hyper-V 是不可用的但 WSL2 不需要 Hyper-V只需要虚拟机平台功能家庭版完全支持。2.3 磁盘空间与安装位置规划WSL2 默认把发行版装在 C 盘而且它的虚拟磁盘文件ext4.vhdx会随着使用不断膨胀不会自动收缩。我见过有人 C 盘被 WSL2 吃掉 200G 的惨案。所以强烈建议把 WSL2 装到非系统盘。迁移方法有两种一种是在安装时就指定位置需要较新的 WSL 版本另一种是装完后用wsl --export和wsl --import迁移。我一般用后者流程是wsl --shutdown wsl --export Ubuntu-22.04 D:\wsl\ubuntu-backup.tar wsl --unregister Ubuntu-22.04 wsl --import Ubuntu-22.04 D:\wsl\Ubuntu-22.04 D:\wsl\ubuntu-backup.tar --version 2迁移后默认用户会变成 root需要改回普通用户这个后面会讲。磁盘空间建议至少留 100G因为 CUDA 工具链加上 PyTorch 加上各种数据集很容易就几十 G 出去了。3. WSL2 与 Ubuntu 发行版的安装实操3.1 用命令行一键安装的正确姿势现在 WSL2 的安装已经非常简单了管理员 PowerShell 里一条命令搞定wsl --install -d Ubuntu-22.04这条命令会自动开启所需功能、下载 WSL 内核、安装 Ubuntu 22.04。装完会让你设置用户名和密码这个用户就是你的默认登录用户。我推荐用 Ubuntu 22.04 LTS 而不是 24.04因为 22.04 的生态兼容性更好很多 CUDA 和 PyTorch 的官方支持都是针对 22.04 的。如果你想要更精细的控制可以先用wsl --list --online看有哪些发行版可选然后用wsl --install -d 发行版名安装。安装完成后用wsl -l -v查看已安装的发行版和 WSL 版本确保 VERSION 列显示的是 2。如果显示的是 1用wsl --set-version Ubuntu-22.04 2切换。切换过程会花几分钟耐心等。3.2 首次启动后的基础配置第一次进 Ubuntu 后先做几件必做的事。第一是更新软件源sudo apt update sudo apt upgrade -y第二是配置国内镜像源加速如果你在国内网络环境把/etc/apt/sources.list换成清华或者阿里的源。第三是装一些基础工具sudo apt install -y build-essential git curl wget vim htop net-tools这里有个经验WSL2 的 DNS 解析有时候会抽风表现为apt update卡住或者 git clone 超时。解决办法是修改/etc/resolv.conf加上nameserver 8.8.8.8和nameserver 114.114.114.114。但 WSL2 每次重启会覆盖这个文件所以要禁用自动生成sudo bash -c echo [network] /etc/wsl.conf sudo bash -c echo generateResolvConf false /etc/wsl.conf然后在 Windows 侧wsl --shutdown重启再手动创建/etc/resolv.conf写入 DNS。这个坑我踩过好几次网络时好时坏基本都是这个原因。3.3 迁移后修复默认用户如果你按前面说的迁移了 WSL2 到 D 盘会发现登录用户变成了 root。修复方法是编辑/etc/wsl.conf[user] default你的用户名保存后wsl --shutdown重启即可。如果忘了自己的用户名可以在/etc/passwd里看一般是你安装时设置的那个。4. GPU 直通验证与 CUDA 工具链落地4.1 确认 GPU 是否成功直通进 WSL2 后第一件事是验证 GPU 直通是否成功nvidia-smi如果能看到显卡信息、驱动版本、CUDA Version说明直通成功。如果报command not found说明 WSL2 里没装 nvidia-utils但正常情况下 WSL2 会自动挂载宿主机的驱动nvidia-smi应该直接可用。如果报错找不到设备检查宿主机驱动版本是否太老或者 WSL 内核是否需要更新wsl --update。这里有个细节WSL2 里的nvidia-smi显示的 CUDA Version 是驱动支持的最高版本不是你实际安装的版本。比如显示 CUDA Version: 12.4意思是这个驱动最高支持 CUDA 12.4你可以装 12.4 及以下的任何版本。4.2 CUDA Toolkit 的安装选择WSL2 里装 CUDA Toolkit 和原生 Linux 略有不同。官方推荐用 WSL-Ubuntu 专用的安装包而不是普通的 Linux 安装包。以 CUDA 12.1 为例wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600 wget https://developer.download.nvidia.com/compute/cuda/12.1.0/local_installers/cuda-repo-wsl-ubuntu-12-1-local_12.1.0-1_amd64.deb sudo dpkg -i cuda-repo-wsl-ubuntu-12-1-local_12.1.0-1_amd64.deb sudo cp /var/cuda-repo-wsl-ubuntu-12-1-local/cuda-*-keyring.gpg /usr/share/keyrings/ sudo apt update sudo apt install -y cuda-toolkit-12-1装完后配置环境变量编辑~/.bashrcexport 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跑nvcc -V验证。注意WSL2 里不要装驱动相关的包比如cuda-drivers只装cuda-toolkit。装驱动包会覆盖 WSL2 的驱动挂载机制导致 GPU 直通失效。4.3 版本匹配的核心逻辑CUDA 版本、PyTorch 版本、驱动版本三者必须匹配这是最容易翻车的地方。匹配逻辑是这样的宿主机驱动版本决定了最高支持的 CUDA 版本PyTorch 官方预编译包又只支持特定的 CUDA 版本。我整理了一个常用组合表PyTorch 版本推荐 CUDA最低驱动版本适用显卡2.0.x11.7 / 11.8450全系列2.1.x11.8 / 12.1470全系列2.2.x11.8 / 12.1470全系列2.3.x11.8 / 12.1470全系列2.4.x12.1 / 12.4525全系列我的建议是如果你不是特别需要新特性用 CUDA 11.8 PyTorch 2.1 这个组合最稳兼容性最好社区资料也最全。追求新特性就上 CUDA 12.1 PyTorch 2.3。5. Python 环境与 PyTorch 的安装策略5.1 用 Miniconda 而不是系统 Python系统自带的 Python 千万别直接用来装 PyTorch会污染系统环境而且 Ubuntu 22.04 自带的 Python 3.10 有些包编译会有问题。我推荐用 Miniconda 管理环境wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh安装时选 yes 初始化 conda然后重开终端。如果遇到conda: 无法将conda项识别这种报错说明 conda 没加到 PATH手动加一下export PATH~/miniconda3/bin:$PATH写进~/.bashrc永久生效。5.2 创建独立环境并安装 PyTorch创建一个专门的 PyTorch 环境conda create -n pytorch python3.10 -y conda activate pytorch然后装 PyTorch。这里有个关键点一定要用 conda 或者 pip 的官方 CUDA 版本命令不要直接pip install torch那样装的是 CPU 版本。正确的命令以 CUDA 11.8 为例pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118或者用 condaconda install pytorch torchvision torchaudio pytorch-cuda11.8 -c pytorch -c nvidia我个人更推荐 pip 方式因为 conda 的依赖解析有时候会抽风而且 pip 装的包更新更快。5.3 验证 GPU 是否真的可用装完后必须验证import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0)) print(torch.cuda.device_count())如果is_available()返回 True恭喜你成功了。如果返回 False按这个顺序排查先确认nvidia-smi能跑再确认 CUDA 版本和 PyTorch 版本匹配最后检查是不是装成了 CPU 版本torch.version.cuda如果是 None 就是 CPU 版。我遇到过一次诡异的情况nvidia-smi正常CUDA 也装了但 PyTorch 就是检测不到 GPU。最后发现是 WSL2 的/usr/lib/wsl/lib没加到LD_LIBRARY_PATH。解决办法是在~/.bashrc里加上export LD_LIBRARY_PATH/usr/lib/wsl/lib:$LD_LIBRARY_PATH这个坑很隐蔽因为大部分情况下 WSL2 会自动处理但某些发行版或者手动配置过的环境会漏掉。6. 性能调优与显存管理实战6.1 跨文件系统访问的性能陷阱WSL2 最大的性能坑就是跨文件系统访问。你的 Linux 文件在\\wsl$\Ubuntu-22.04\home\...Windows 文件在/mnt/c/...。如果你在 WSL2 里访问/mnt/c下的文件性能会暴跌到原生 Linux 的十分之一甚至更低。我实测过读取一个 10G 的数据集从/mnt/c读要 3 分钟从 WSL2 内部读只要 20 秒。所以铁律是所有训练数据、代码、模型都放在 WSL2 内部的文件系统里不要放在/mnt/c或者/mnt/d。如果你需要和 Windows 交换文件用\\wsl$从 Windows 侧访问 WSL2 文件这个方向性能还行。6.2 显存分配与 OOM 处理WSL2 的显存管理和原生 Linux 不一样它默认会占用一部分显存给系统。如果你遇到 OOMOut of Memory先看nvidia-smi里显存占用情况。WSL2 有个特性是显存不会自动释放PyTorch 进程结束后显存可能还被占着需要手动清理sudo fuser -v /dev/nvidia*找到占用进程后 kill 掉。或者更彻底的方式是wsl --shutdown重启 WSL2。另外WSL2 支持通过.wslconfig文件限制内存和显存。在 Windows 用户目录下创建.wslconfig[wsl2] memory32GB processors16 swap8GB这个配置对防止 WSL2 吃光宿主机内存很有用。显存目前没法直接限制但可以通过 PyTorch 的torch.cuda.set_per_process_memory_fraction(0.8)来限制单进程显存使用比例。6.3 训练性能实测对比我在 RTX 4090 上做过对比测试同一个 ResNet50 训练任务环境单 epoch 耗时GPU 利用率显存占用原生 Ubuntu 22.0442s95%8.2GBWSL2 Ubuntu 22.0445s92%8.4GBWindows 原生不支持--可以看到 WSL2 的性能损失在 5%-8% 左右主要来自虚拟化层的开销和文件 IO。对于大多数训练任务来说这个损失完全可以接受换来的是 Windows 和 Linux 环境的无缝切换。如果你的任务对 IO 极度敏感比如小文件特别多的数据集可以考虑把数据集打包成单个大文件比如 LMDB 或者 WebDataset 格式能显著减少 IO 开销。7. 那些让我熬夜排查的典型故障7.1 nvidia-smi 突然失效的排查链路有一次我正常用了一周突然nvidia-smi报 Failed to initialize NVML: GPU access blocked by the operating system。这个报错在 WSL2 里挺常见的排查思路是这样的第一步确认宿主机nvidia-smi是否正常。如果宿主机也挂了那是驱动问题重装驱动。第二步检查 Windows 的虚拟机平台功能是否被关闭。有时候 Windows 更新会重置这个设置。第三步检查 WSL 内核版本wsl --update更新到最新。第四步如果都不行wsl --shutdown完全重启 WSL2。我遇到的大部分情况重启就好了。如果重启也不行检查/usr/lib/wsl/lib目录是否存在这个目录是 WSL2 挂载宿主机驱动的地方。如果目录空了说明挂载失败需要重装 WSL2 内核。7.2 conda 环境激活失败的几种情况conda activate报 CommandNotFoundError 是最常见的。原因是 conda 没初始化 shell。解决conda init bash source ~/.bashrc如果conda init也报错检查 conda 是否真的装好了which conda看路径对不对。还有一种情况是conda activate后 Python 版本没变这是因为 PATH 里有多个 Python。用which python确认当前用的是哪个如果不是 conda 环境里的检查~/.bashrc里 conda 初始化代码的位置确保它在其他 PATH 设置之后。7.3 网络问题的系统性解决WSL2 的网络问题五花八门我总结了几类第一类是 DNS 解析失败前面讲过改/etc/resolv.conf并禁用自动生成。第二类是端口转发问题WSL2 里的服务 Windows 访问不到。WSL2 用的是 NAT 网络需要端口转发。不过新版本 WSL2 支持镜像网络模式在.wslconfig里加[wsl2] networkingModemirrored这样 WSL2 和 Windows 共享网络localhost 直接互通省去端口转发的麻烦。第三类是代理问题如果你在公司网络环境需要走代理WSL2 默认不继承 Windows 的代理设置。需要在~/.bashrc里手动设置http_proxy和https_proxy环境变量。7.4 磁盘空间莫名消失WSL2 的 ext4.vhdx 文件只增不减删了文件空间也不会还给 Windows。解决办法是用fstrim或者手动压缩sudo fstrim -av然后在 Windows 侧用diskpart或者Optimize-VHD压缩 vhdx 文件。更简单的方式是用wsl --manage 发行版 --set-sparse true开启稀疏模式这样删除文件后空间会自动释放。我建议定期检查 WSL2 磁盘占用df -h看内部使用情况Windows 侧看 vhdx 文件大小两者差距大就说明需要压缩了。8. 从开发到部署的完整工作流建议8.1 代码编辑与调试的协作方式我现在的开发流是这样的代码放在 WSL2 内部比如~/projects/用 VS Code 的 Remote-WSL 插件直接连进 WSL2 编辑。这样既有 Windows 的图形界面便利又有 Linux 的运行环境。VS Code 的终端直接就是 WSL2 的 bash调试 Python 也是直接在 WSL2 里跑无缝衔接。如果你用 PyCharm专业版支持 WSL2 解释器社区版不支持。配置方式是在 Settings 里选 Python Interpreter添加 WSL 解释器指向 conda 环境里的 python。Jupyter Notebook 的话在 WSL2 里启动jupyter lab --no-browser --port8888然后 Windows 浏览器访问localhost:8888就行镜像网络模式下直接通NAT 模式需要端口转发。8.2 模型训练与推理的实践建议训练大模型的时候我建议开启 PyTorch 的几个优化选项torch.backends.cudnn.benchmark True torch.backends.cuda.matmul.allow_tf32 True第一个让 cudnn 自动选择最优卷积算法第二个开启 TF32 加速Ampere 架构以上显卡。这两个选项能带来 10%-30% 的性能提升。数据加载用num_workers多进程但 WSL2 里num_workers设置太高反而会慢因为进程间通信有开销。我一般设成 CPU 核心数的一半。推理场景如果显存不够可以用torch.cuda.amp混合精度或者用bitsandbytes做 8bit/4bit 量化。WSL2 对这些库的支持和原生 Linux 一样没有额外坑。8.3 环境备份与迁移WSL2 环境配好后建议做个备份免得哪天搞崩了重装。备份命令wsl --shutdown wsl --export Ubuntu-22.04 D:\backup\ubuntu-20240101.tar恢复的时候用wsl --import。这个 tar 文件可以拷到别的机器上恢复相当于整个开发环境的快照。如果你想把环境迁移到另一台机器注意显卡驱动不用迁移那是宿主机的但 CUDA Toolkit 和 conda 环境都在 tar 里恢复后直接能用。8.4 长期使用的维护习惯用久了 WSL2 会积累一些垃圾我一般每个月做一次维护清理 apt 缓存sudo apt clean清理 conda 缓存conda clean -a检查磁盘占用更新系统和驱动。这些习惯能让环境保持稳定。还有个小技巧把常用的环境配置写成一个 setup 脚本重装系统后一键恢复。我的脚本里包括 apt 源配置、基础工具安装、conda 安装、CUDA 安装、PyTorch 安装跑一遍半小时就能恢复完整环境。这套 WSL2 GPU 直通的方案我已经稳定用了一年多跑过 BERT 微调、Stable Diffusion 推理、LLaMA 量化推理等各种任务没遇到过解决不了的问题。相比双系统的折腾和云 GPU 的成本本地 WSL2 方案在便利性和性价比上都有明显优势。如果你也在纠结开发环境怎么搭不妨试试这套方案踩坑的时候回来翻翻这篇文章应该能帮你省下不少时间。