1. 为什么我最终把 AI 开发环境整体搬进了 WSL21.1 从双系统到 WSL2 的折腾史最早做深度学习那会儿我的方案是 Windows 加 Ubuntu 双系统。每次要跑训练就得重启切到 Linux 下面调代码调完想查个资料又得切回 Windows一天下来光重启就浪费不少时间。后来试过纯 Linux 主机显卡驱动、桌面环境、输入法各种小毛病不断日常办公体验确实不如 Windows 顺手。再后来虚拟机也试过VMware 和 VirtualBox 都跑过但 GPU 直通要么不支持要么配置极其折腾性能损耗也大跑个小模型都费劲。直到 WSL2 成熟之后我才真正找到了一个平衡点。WSL2 本质上是跑在轻量级虚拟化层上的完整 Linux 内核不是以前 WSL1 那种系统调用翻译层。这意味着它兼容原生 Linux 的 ELF 二进制文件Docker 能跑CUDA 也能跑。微软和 NVIDIA 合作把 GPU 直通做进了 WSL2 的内核里Windows 主机上的 NVIDIA 显卡驱动可以直接被 WSL2 里的 Linux 发行版调用不需要在 Linux 里再单独装一遍驱动。这一点是质变。我现在的主力方案就是Windows 11 负责日常办公、浏览器、微信、OfficeWSL2 里的 Ubuntu 22.04 负责所有 AI 开发工作包括 PyTorch 训练、CUDA 编译、数据处理脚本。两边文件系统互通剪贴板共享VS Code 直接远程连进 WSL2 写代码体验几乎和原生 Linux 一样但省去了双系统切换的所有麻烦。1.2 这套方案到底适合谁如果你符合下面任意一条这套方案大概率能帮你省下大量时间主力机器是 Windows但需要 Linux 环境跑 PyTorch、TensorFlow 等框架有 NVIDIA 显卡想让 WSL2 里的代码直接调用 GPU 做训练或推理不想折腾双系统也不想忍受传统虚拟机的性能损耗和 GPU 配置难题需要同时用 Windows 办公软件和 Linux 开发工具链想用 VS Code 或 Cursor 这类编辑器直接连进 Linux 环境写代码反过来说如果你用的是 AMD 显卡想做 ROCm 开发或者需要特定的 Linux 桌面环境做图形界面开发WSL2 目前的支持还不算完美这种情况可能还是原生 Linux 更合适。但对于绝大多数做深度学习、CUDA 编程、Python 开发的人来说WSL2 已经是相当成熟的方案了。1.3 整体架构一句话说清Windows 主机装好 NVIDIA 驱动WSL2 里装 Ubuntu 22.04Ubuntu 里装 CUDA Toolkit 和 PyTorch代码通过 VS Code Remote 连接编写训练时 GPU 直接由 Windows 驱动接管。整个链路里WSL2 负责提供 Linux 用户空间和内核Windows 负责硬件驱动和 GPU 调度两者通过微软的 GPU 虚拟化层通信。理解这个架构后面所有配置步骤的逻辑就都通了。2. 环境准备从零开始的完整配置流程2.1 Windows 侧的前置检查与 WSL2 启用在动手之前先确认几件事。第一Windows 版本必须是 Windows 10 版本 2004 及以上或者 Windows 11。第二确认 CPU 支持虚拟化在任务管理器性能标签页里看“虚拟化”是否显示“已启用”。如果没启用需要进 BIOS 打开 Intel VT-x 或 AMD-V。确认无误后以管理员身份打开 PowerShell执行下面这条命令wsl --install这条命令会自动完成几件事启用“适用于 Linux 的 Windows 子系统”可选功能、启用“虚拟机平台”功能、下载并安装 WSL2 内核更新包、把 WSL2 设为默认版本、安装 Ubuntu 发行版。执行完重启电脑即可。如果你之前已经装过 WSL想确认版本可以运行wsl --list --verbose输出里 VERSION 列显示 2 就对了。如果显示 1用wsl --set-version 发行版名 2转换。注意有些机器上wsl --install会因为组策略或系统精简原因失败这时候需要手动在“启用或关闭 Windows 功能”里勾选“适用于 Linux 的 Windows 子系统”和“虚拟机平台”重启后再执行安装命令。2.2 Ubuntu 22.04 的安装与初始化我选 Ubuntu 22.04 LTS 而不是 24.04原因是 22.04 的 CUDA 和 PyTorch 生态兼容性经过大量验证踩坑最少。安装命令wsl --install -d Ubuntu-22.04安装完成后会提示创建用户名和密码这个用户名和密码是 Linux 系统内的和 Windows 账户无关。创建完成后就进入了 Ubuntu 的终端。第一件事是更新软件源sudo apt update sudo apt upgrade -y然后装一些基础工具后面编译和调试都会用到sudo apt install -y build-essential git curl wget vim python3-pip python3-venv这里有个经验WSL2 默认的 apt 源在国内访问速度一般可以换成国内镜像源。编辑/etc/apt/sources.list把archive.ubuntu.com和security.ubuntu.com替换成清华或阿里的镜像地址更新速度能从几十 KB 提升到几 MB。2.3 Windows 显卡驱动的确认这一步是 GPU 直通的关键。WSL2 里的 CUDA 不依赖 Linux 侧的 NVIDIA 驱动而是直接调用 Windows 主机上的驱动。所以你要做的是在 Windows 上安装最新版的 NVIDIA 显卡驱动而不是在 WSL2 里装驱动。去 NVIDIA 官网下载对应你显卡型号的 Game Ready 或 Studio 驱动安装完成后在 Windows 命令行运行nvidia-smi能看到显卡信息和驱动版本就说明 Windows 侧没问题。记住这个驱动版本号后面装 CUDA Toolkit 时要参考它支持的 CUDA 版本上限。注意千万不要在 WSL2 里执行apt install nvidia-driver-xxx这会把 Linux 侧的驱动装进去和 Windows 驱动冲突导致 GPU 无法调用。WSL2 里只需要装 CUDA Toolkit不需要装驱动。2.4 验证 GPU 是否已经直通进 WSL2在 WSL2 终端里运行nvidia-smi如果输出和 Windows 侧一致说明 GPU 直通已经生效。如果提示 command not found说明 CUDA Toolkit 还没装但驱动层面其实已经通了装完 Toolkit 就能用。如果提示找不到设备检查 Windows 驱动版本是否太旧或者 WSL2 内核是否需要更新运行wsl --update。这一步是整个方案的地基地基没打好后面全是坑。我见过太多人卡在这里反复在 WSL2 里装驱动结果越装越乱。3. CUDA 与 PyTorch 的安装版本匹配是核心3.1 CUDA Toolkit 的版本选择逻辑CUDA 版本选择不是越新越好而是要看三个东西的交叉点Windows 驱动支持的最高 CUDA 版本、PyTorch 官方支持的 CUDA 版本、你的显卡算力是否被支持。先看 Windows 驱动支持的最高版本运行nvidia-smi右上角会显示CUDA Version: 12.x这是驱动能支持的上限。然后去 PyTorch 官网看当前稳定版支持的 CUDA 版本通常有 11.8、12.1、12.4 几个选项。取两者的交集再选一个较新的稳定版本。以我目前的配置为例驱动支持到 CUDA 12.4PyTorch 2.4 支持 CUDA 12.1 和 12.4我选 12.1因为生态兼容性更好很多第三方库对 12.1 的支持更成熟。安装 CUDA Toolkit 推荐用 NVIDIA 官方仓库的方式比 runfile 更干净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注意这里用的是wsl-ubuntu仓库不是普通的ubuntu2204仓库这是专门为 WSL2 准备的包依赖关系不一样。3.2 环境变量的配置细节装完之后需要配置环境变量编辑~/.bashrc在末尾加上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生效。验证nvcc --version能输出版本信息就说明 CUDA Toolkit 装好了。注意LD_LIBRARY_PATH这一行很多人会漏掉导致编译时找不到 CUDA 动态库。另外如果你装了多个 CUDA 版本通过修改 PATH 里的路径来切换不要用update-alternatives在 WSL2 里那个方式容易出问题。3.3 PyTorch 安装的三种方式对比PyTorch 安装方式主要有三种pip 直接装、conda 装、源码编译。我的建议是优先用 pip 配合虚拟环境原因如下表安装方式优点缺点适用场景pip venv轻量、版本可控、官方 wheel 直接下载需要手动管理虚拟环境绝大多数场景conda依赖管理强、科学计算包全体积大、有时和系统 CUDA 冲突需要大量科学计算库源码编译可定制、支持最新特性耗时长、容易失败需要特定优化或最新功能我一般用 venvpython3 -m venv ~/venvs/torch source ~/venvs/torch/bin/activate pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121这里的cu121对应 CUDA 12.1必须和前面装的 CUDA Toolkit 版本一致否则会出现版本不匹配的警告甚至运行错误。3.4 验证 PyTorch 能否调用 GPU装完后写个最简单的验证脚本import torch print(PyTorch version:, torch.__version__) print(CUDA available:, torch.cuda.is_available()) print(CUDA version:, torch.version.cuda) print(GPU count:, torch.cuda.device_count()) print(GPU name:, torch.cuda.get_device_name(0))如果CUDA available输出 True说明整条链路打通了。如果输出 False按下面顺序排查先确认nvidia-smi在 WSL2 里能跑再确认 PyTorch 版本和 CUDA 版本是否匹配最后检查是不是装成了 CPU 版本的 PyTorch用pip list | grep torch看版本号后面有没有cu121后缀。4. 开发工作流的搭建与优化4.1 VS Code Remote 连接 WSL2这是我认为 WSL2 方案里体验最好的部分。在 Windows 上装好 VS Code然后装一个叫 WSL 的官方扩展。装完后按 F1输入WSL: Connect to WSLVS Code 就会在 WSL2 里启动一个服务端界面还是 Windows 的但终端、文件系统、Python 解释器全部是 WSL2 里的。这意味着你可以在 Windows 的 VS Code 里写代码代码实际存在 Linux 文件系统里运行时用的是 Linux 的 Python 和 CUDA。调试、断点、变量查看全部正常。而且因为文件在 Linux 侧IO 性能比放在/mnt/c/下好很多。注意项目文件一定要放在 WSL2 的 Linux 文件系统里比如~/projects/不要放在/mnt/c/Users/xxx/下。跨文件系统访问的 IO 性能差距在大量小文件读写时非常明显训练时加载数据集能差出好几倍。4.2 数据集与模型文件的存放策略WSL2 的磁盘空间默认是动态扩展的但上限受 Windows 磁盘剩余空间限制。数据集大的话建议单独挂载一块 Windows 磁盘到 WSL2 里或者用wsl --mount挂载物理磁盘。我自己的做法是代码和虚拟环境放在 WSL2 默认的 ext4 文件系统里数据集放在 Windows 的 D 盘通过/mnt/d/datasets/访问。虽然跨文件系统有性能损耗但数据集通常是大文件顺序读取损耗可以接受而且方便在 Windows 侧用工具管理和备份。如果数据集特别大且读取频繁可以考虑在 WSL2 里单独挂一块虚拟磁盘VHD格式化成 ext4性能接近原生。4.3 终端与 Shell 的个性化配置WSL2 默认的终端是 Windows Terminal体验已经不错。我一般会做几件事装 zsh 和 oh-my-zsh配置一些常用别名装 tmux 做会话管理。常用别名示例alias gsgit status alias llls -alF alias nvnvidia-smi alias actsource ~/venvs/torch/bin/activatetmux 在跑长时间训练时特别有用SSH 断开或者终端关闭后训练进程不会中断。配合nohup或者直接tmux new -s train开一个会话训练跑起来后 detach随时可以 reattach 查看进度。4.4 性能调优的几个关键点WSL2 默认会占用较多内存可以在 Windows 用户目录下创建.wslconfig文件限制资源[wsl2] memory32GB processors16 swap8GB这个配置根据你机器的实际内存调整一般给 WSL2 分配总内存的一半到三分之二比较合适。内存给太少训练时容易 OOM给太多 Windows 侧会卡。GPU 方面WSL2 的 CUDA 性能损耗在 5% 到 10% 左右主要来自虚拟化层的通信开销。对于大多数训练任务来说可以接受。如果追求极致性能可以考虑用--gpu-support相关的优化参数但实际提升有限。磁盘 IO 是 WSL2 相对薄弱的环节尤其是跨文件系统访问。如果训练时数据加载是瓶颈可以考虑把数据集预处理成单个大文件比如 LMDB 或 HDF5 格式减少小文件随机读取。5. 常见问题与排查实录5.1 GPU 相关问题的排查思路问题一nvidia-smi在 WSL2 里提示找不到命令这通常是因为 CUDA Toolkit 没装或者 PATH 没配好。先确认 Windows 侧nvidia-smi能跑然后在 WSL2 里检查/usr/local/cuda-12.1/bin是否在 PATH 里。如果 CUDA 装了但命令找不到多半是.bashrc没 source 或者路径写错了。问题二PyTorch 显示 CUDA available 为 False按这个顺序排查第一nvidia-smi在 WSL2 里能不能跑第二PyTorch 版本是不是 CPU 版第三CUDA Toolkit 版本和 PyTorch 编译版本是否匹配第四Windows 驱动版本是否太旧。我遇到过最常见的原因是装成了 CPU 版 PyTorch用pip list一看版本号没有cu后缀就知道了。问题三训练时报 CUDA out of memoryWSL2 里 GPU 显存是直接透传的和 Windows 侧共享。如果 Windows 侧有程序占着显存比如浏览器硬件加速、游戏WSL2 里能用的显存就会减少。训练前关掉不必要的 GPU 占用程序。另外.wslconfig里可以设置gpuMemoryLimit但一般不需要。5.2 网络与下载速度问题WSL2 的网络是 NAT 模式默认走 Windows 主机的网络。pip 和 apt 下载慢的话换国内源是最直接的方案。pip 换源pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simpleapt 换源前面提过编辑 sources.list 替换域名即可。如果遇到 WSL2 里 DNS 解析异常可以检查/etc/resolv.conf有时候需要手动指定 DNS 服务器。不过较新版本的 WSL2 已经自动处理了这个问题一般不用管。5.3 文件系统与权限问题WSL2 里访问 Windows 文件时权限显示为 777这是正常的因为 NTFS 和 ext4 的权限模型不同。如果某些程序对权限敏感可以把文件复制到 Linux 文件系统里再操作。另一个常见问题是 Git 在跨文件系统时的换行符处理。建议在 WSL2 里配置git config --global core.autocrlf input这样提交时统一转成 LF避免 Windows 和 Linux 协作时的换行符混乱。5.4 常见问题速查表现象可能原因解决方法nvidia-smi 找不到CUDA Toolkit 未装或 PATH 未配装 CUDA Toolkit检查 .bashrcCUDA available FalsePyTorch 是 CPU 版重装 GPU 版 PyTorch训练 OOMWindows 侧占用显存关闭占用 GPU 的程序pip 下载慢默认源在国外换清华或阿里源文件读写慢跨文件系统访问项目文件放 Linux 侧WSL2 启动失败虚拟化未启用或内核旧检查 BIOS运行 wsl --update内存占用过高默认无限制配置 .wslconfig 限制6. 我踩过的几个坑和最终建议6.1 驱动和 Toolkit 的版本陷阱我最早犯的错是在 WSL2 里装 NVIDIA 驱动结果和 Windows 驱动冲突GPU 完全用不了。后来才明白 WSL2 的 GPU 直通是 Windows 驱动负责硬件层Linux 侧只需要 CUDA Toolkit 提供编译和运行时库。这个分工一定要搞清楚。另一个坑是 CUDA 版本和 PyTorch 版本不匹配。有次我装了 CUDA 12.4但 PyTorch 当时只支持到 12.1结果torch.cuda.is_available()一直是 False。后来降级 CUDA 到 12.1 就正常了。所以版本匹配这件事宁可花十分钟查清楚也不要凭感觉装。6.2 磁盘空间和性能的平衡WSL2 的虚拟磁盘文件ext4.vhdx会随着使用不断增长但不会自动收缩。删了大文件后vhdx 文件在 Windows 侧看还是那么大。可以用wsl --manage 发行版 --set-sparse true开启稀疏模式或者手动用 diskpart 压缩。不过压缩有风险操作前备份重要数据。性能方面我的经验是代码和虚拟环境放 Linux 侧数据集放 Windows 侧用/mnt/访问模型 checkpoint 存 Linux 侧。这样兼顾了 IO 性能和磁盘空间管理。6.3 日常使用的几个小技巧第一用 Windows Terminal 的标签页功能一个标签跑训练一个标签写代码一个标签看日志切换很方便。第二VS Code 的 Remote WSL 模式下Python 解释器要选 WSL2 里的 venv 路径不要选 Windows 的 Python。第三训练脚本用tmux或者nohup跑避免终端关闭导致训练中断。第四定期用wsl --shutdown完全关闭 WSL2 再重启可以释放一些缓存和僵尸进程尤其是长时间运行后。第五如果要用 DockerWSL2 里装 Docker Engine 比用 Docker Desktop 更轻量性能也更好。装完后配置 GPU 支持容器里也能直接用 CUDA。这套环境我从去年用到现在跑了十几个训练项目稳定性很好。唯一需要注意的是 Windows 更新后偶尔会重置 WSL2 的网络配置遇到网络问题时先wsl --shutdown重启一下大部分情况都能解决。