【一文到底】WSL2-Ubuntu中训练深度学习模型以及相关配置

前言：首先我为什么要安装WSL2，在windows做科研时，代码遇到很多奇奇怪怪的错误，但是又不想自己电脑装linux系统，WSL2就很好的满足了需求，而且根据一些前辈经验，wsl2更加适合我们这种没有其他服务器做科研，能减少很多不必要的错误，而且能提前熟悉一些工作场景。在这里祝各位和我自己前程似锦，心想事成！

总结：在WSL2-Ubuntu中安装CUDA12.8、cuDNN、Anaconda、Pytorch、vscode配置、训练深度学习模型

一、初始条件

首先要先确保——windows系统中要正确安装了以下组件：
（1）显卡驱动；

（2）CUDA；

（3）cuDNN；

（4）Microsoft Visual Studio；

Windows环境配置参考：【一文到底】深度学习环境配置+ PatchTST复现【Anaconda+PyTorch(GPU版)+CUDA+cuDNN】

二、WSL2安装

1.1 安装

右键单击并选择“以管理员身份运行”，在 管理员 模式下打开 PowerShell 或 Windows 命令提示符，输入 wsl --install 命令，然后重新启动计算机。

wsl --install

此命令将启用运行 WSL 并安装 Linux 的 Ubuntu 分发所需的功能。

重启后

Note:

（1）默认情况下，已安装的 Linux 分发版将为 Ubuntu。 可以通过使用-d标志来更改这一点。

• 若要更改安装的分发版，请输入： wsl --install -d <Distribution Name> 将 <Distribution Name> 替换为您想要安装的分发版名称。

• 若要查看可通过在线商店下载的可用 Linux 分发版的列表，请输入： wsl --list --online 或 wsl -l -o。

• 若要在初始安装后安装其他 Linux 分发版，也可以使用以下命令： wsl --install -d <Distribution Name>

1.2 设置 Linux 用户名和密码

使用 WSL 安装 Linux 发行版的过程完成后，使用“开始”菜单打开该发行版（默认情况下为 Ubuntu）。 系统将要求你为 Linux 发行版创建“用户名”和“密码”。

• 此用户名和密码特定于安装的每个单独的 Linux 分发版，与 Windows 用户名无关。
• 请注意，输入密码时，屏幕上不会显示任何内容。 这称为盲人键入。 你不会看到你正在键入的内容，这是完全正常的。
• 创建用户名和密码后，该帐户将是分发版的默认用户，并将在启动时自动登录。
• 此帐户将被视为 Linux 管理员，能够运行 sudo (Super User Do) 管理命令。
• 在 WSL 上运行的每个 Linux 发行版都有其自己的 Linux 用户帐户和密码。 每当添加分发版、重新安装或重置时，都必须配置一个 Linux 用户帐户。

在 Ubuntu 命令行中输入 UNIX 用户名

若要更改或重置密码，请打开 Linux 发行版并输入命令：passwd。 系统会要求你输入当前密码，然后要求输入新密码，之后再确认新密码。

如果忘记了 Linux 分发版的密码：

1. 请打开 PowerShell，并使用以下命令进入默认 WSL 分发版的根目录：wsl -u root

   如果需要在非默认的分发版中更新忘记的密码，请使用命令：wsl -d Debian -u root，并将 Debian 替换为目标分发版的名称。

2. 在 PowerShell 内的根级别打开 WSL 发行版后，可使用此命令更新密码：passwd <username>，其中 <username> 是发行版中帐户的用户名，而你忘记了它的密码。

3. 系统将提示你输入新的 UNIX 密码，然后确认该密码。 在您被告知密码已正确更新后，请在 PowerShell 内使用以下命令关闭 WSL：exit。

1.3 更新和升级软件包

建议使用发行版的首选包管理器定期更新和升级包。 对于 Ubuntu 或 Debian，请使用以下命令：

sudo apt update && sudo apt upgrade

三、在WSL2-Ubuntu系统中安装CUDA、cuDNN、Anaconda、pytorch

只要在Windows下配置了显卡驱动，WSL2不需要再配置

在WSL2-Ubuntu进行验证与显卡的通信和驱动调用的情况：

nvidia-smi

Note：查看ubuntu版本信息

lsb_release -a

补充：创建普通用户账号，详情看补充内容end1

2.1 安装cuda

打开CUDA官网，复制命令安装cuda

CUDA Toolkit 12.8 Downloads | NVIDIA Developer

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-12-9

复制安装命令到Ubuntu窗口中，回车运行。

过程中需要输入密码，直接输出设置的密码。

安装完成。

添加环境变量

第一步：确认 CUDA 目录存在

# 应看到类似：cuda-12.9/   ,然后确认 nvcc 是否在里面
ls /usr/local/

# 如果这条命令有输出，说明 CUDA 安装没问题，只是路径没加。
ls /usr/local/cuda-12.9/bin/nvcc

第二步：设置环境变量

#3 编辑 ~/.bashrc 文件：
nano ~/.bashrc

# 在最后添加这几行,保存后退出（Ctrl+O 保存，Enter 确认，Ctrl+X 退出）。：
# CUDA 12.9 PATH 设置
export PATH=/usr/local/cuda-12.9/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.9/lib64:$LD_LIBRARY_PATH

第三步 使生效并且验证

# 时立即生效
source ~/.bashrc

# 验证
nvcc -V

看到输出结果即配置成功。

关于驱动程序安装程序（附加）

Note：可以跳过，推荐安装一下，不安装不影响使用。

CUDA官网，CUDA Toolkit Installer命令下面就是Driver Installer。

2.2 安装cuDNN

cuDNN 9.8.0 Downloads | NVIDIA Developer

cuDNN安装命令：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get updatesudo 
apt-get -y install cudnn

安装成功（这里重启了一下Ubuntu，不影响）

验证 cuDNN 安装

ls /usr/lib/x86_64-linux-gnu/libcudnn*

cuDNN 库文件已经成功安装在/usr/lib/x86_64-linux-gnu目录下，这说明 cuDNN 的安装路径是正确的，并且系统已经正确配置了相关的库文件.

2.3 Anaconda安装

通过以下命令下载和安装：

# 1. 先 cd 到根目录下
cd

# 2. 下载安装包到temp目录下：在此地址 https://www.anaconda.com/download/success 中找到安装包的链接
wget -P /tmp https://repo.anaconda.com/archive/Anaconda3-2025.06-0-Linux-x86_64.sh

# 3. 安装 anaconda
bash /tmp/Anaconda3-2025.06-0-Linux-x86_64.sh

# 4. 按照 anaconda 提示进行安装，默认安装到 /home/tsf/anaconda3

下载Anaconda

下载成功，但是可以看到多次断连和断点续传，最终是成功的。

Note：这是典型的 网络不稳定或 CDN 限速导致的下载中断。wget 在断点处被服务器关闭连接，但它启用了 断点续传（HTTP 206 Partial Content），所以能够继续下载，建议加速网络连接。

安装Anaconda

安装完成，关闭终端，关闭终端并重新打开 Ubuntu，可以看到默认进入了 base 环境。

验证安装，若出现command not found,未添加到环境变量或者conda安装不成功，可以尝试添加环境变量或者重新安装Anaconda。

# 查看conda版本
conda --version

# 查看conda中的虚拟环境
conda env list

Note：conda命令参考conda配置虚拟环境常用命令

2.4 Pytorch安装

PyTorch官网

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

Note:推荐选择 PyTorch 的 stable（稳定）版本，功能成熟、经过充分测试，适合科研和正式项目使用。不建议使用 preview（预览）版本，它属于开发测试阶段，可能存在不稳定或未完善的功能，不适合科研使用。

包管理器建议使用 pip。当前 PyTorch 官方对 conda 支持减弱，很多新版本和新功能仅通过 pip 提供。如果系统中 pip3 命令无效，可以直接使用 pip。

显卡为 50 系 NVIDIA 显卡，其架构较新，不再支持 CUDA 11.8。必须使用 CUDA 12 及以上版本，否则无法启用 GPU 加速。这是由于显卡架构变化所导致的兼容性限制，非 bug。根据个人需求选择对应的 CUDA 版本安装。

看到 Successfully就代表安装成功。

验证CUDA、cuDNN、Pytorch安装

# 第一步
python

# 第二步
import torch

# 打印 PyTorch 版本
print("PyTorch 版本:", torch.__version__)

# 检查 CUDA 是否可用
print("CUDA 是否可用:", torch.cuda.is_available())

# 如果 CUDA 可用，打印 GPU 信息
if torch.cuda.is_available():
    print("GPU 名称:", torch.cuda.get_device_name(0))
    print("CUDA 版本 (torch):", torch.version.cuda)
    print("cuDNN 是否启用:", torch.backends.cudnn.enabled)

四 运行代码和vscode配置

4.1 代码运行

建议先创建虚拟环境，避免污染环境，参考：conda配置虚拟环境常用命令

# 第一步 创建目标目录
mkdir -p ~/models

# 第二步 用命令复制windows整个文件夹到WSL2中
# /mnt/d/... 表示 D 盘的路径在 WSL2 中的映射；
# mnt是挂载点目录，用来临时访问外部文件系统或设备中的内容，其中/mnt/d对应windows中D盘
# -r 表示递归复制整个目录；
cp -r /mnt/d/Code/model/Autoformer-main ~/models/

# 查看文件
cat requirements.txt

# 第三步 安装包（两种方式）
# 第二种直接根据文件安装更加方便，但是我已经安装了torchvision，维护环境干净，推荐第一个
# 因为我这里是GPU12.0的算力，单独配置torch，在安装需求文件时，会将torch降到11.0的版本，会导致gpu无法使用
pip install pandas scikit-learn numpy matplotlib reformer_pytorch
pip install -r requirements.txt

# 第四步 检查安装的包
pip list | grep -E "torch|pandas|scikit|matplotlib|numpy|reformer"

# 第五步 运行sh文件（先进入代码根目录）
cd models/Autoformer-main/
./scripts/ETT_script/Autoformer_ETTh1.sh

查看requirements.txt,然后安装

安装成功,然后来运行代码，本文以 Autoformer 为例(可以用自己的模型，Autoformer属于开源项目）

Note: 这里运行后应该有运行日志的，我修改了一下全部存到如logs/LongForecasting/Autoformer_ETTh1_96_96.log 日志中，结果mae和mse存到result.txt中，方便查看。

4.2 vscode配置

虽然上面已经成功运行代码，但是做code开发不是很方便，所以我们使用Visual Studio Codez作为我们的开发工具。

下载过程很简单，就略过。在vscode中安装WSL

第一种 vscode打开(vscode --> wsl2)

连接WSL2 --> open Folder --> 输入WSL2的路径 --> 运行终端 --> 切换环境 --> 运行代码

第二种 命令行连接(wsl2 --> vscode)

# 在 Windows Terminal 或 CMD 中输入，这会在当前 WSL 目录下打开 VS Code，并自动连接到对应的 Linux 子系统
wsl
cd ~/models/Autoformer-main
code .

# 报错  Command 'code' not found, but can be installed with:sudo snap install cod
#添加vscode的环境变量
nano ~/.bashrc
#在 .bashrc 写入vscode路径，注意文件名有空格需要斜杠转义或者引号
export PATH=$PATH:/mnt/d/Application/Microsoft\ VS\ Code/bin
或者
export PATH=$PATH:"/mnt/d/Application/Microsoft VS Code/bin"
#Ctrl+O 保存 --> 回车确定 --> Ctrl+O保存退出

# 打开vscode
code .

五 记录

5.1 创建普通用户

描述：第一次打开Ubuntu时，直接关掉了窗口，导致进入后是root，然后使用passwd输入了密码，需要创建普通用户赋予sudo权限（推荐做法，不推荐直接使用root）

解决办法：

# 1.创建新用户（会提示输入密码等信息,tsf为自定义用户名）
# 输入后如果有提示信息，直接全部回车跳过
adduser tsf

# 2.把新用户加入 sudo 组（赋予管理员权限）
usermod -aG sudo tsf

# 3.（可选）验证新用户属于 sudo 组
groups tsf


# 4.（可选）切换到新用户
su - tsf

# 5.新用户执行管理员命令示例
sudo apt update

5.2 为普通用户添加 NVIDIA 工具路径

描述：root 用户下 nvidia-smi 正常，GPU 驱动已连接成功,tsf 用户下 nvidia-smi 提示找不到命令（但不是驱动问题）

解决办法：

# 第一步：确认文件存在
ls /usr/lib/wsl/lib/nvidia-smi

# 第二步：修改 ~/.bashrc 添加环境变量
nano ~/.bashrc

#在末尾添加：
# WSL2 NVIDIA 工具路径
export PATH=$PATH:/usr/lib/wsl/lib

# 第三步：验证
nvidia-smi

5.3 启用WSL

Windows Subsystem for Linux (WSL) 是 Windows 10 上的一项可选功能。您可以通过 Windows 功能对话框或 PowerShell 启用它。

在 Windows 搜索栏中，输入“功能”以打开或关闭 Windows 功能对话框。向下滚动并选中“适用于 Linux 的 Windows 子系统”。

或者PowerShell，如果愿意，您可以以管理员身份打开 PowerShell 并输入：

Enable-WindowsOptionalFeature -Online -FeatureName Microsoft-Windows-Subsystem-Linux

重新启动 Windows 后，您可以通过打开命令提示符并输入“wsl”来检查是否已启用 WSL。

5.4切换wsl2默认登录用户

在 Windows 的 PowerShell 或 CMD 里运行

# 确认你的 WSL 发行版名字
wsl -l -v

# 执行命令， tsf为你的用户名
wsl -d Ubuntu -u tsf

# 不行试试这个
ubuntu config --default-user tsf