Windows下安装PaddlePaddle 2.0（含WSL2 GPU版）

Windows下安装PaddlePaddle 2.0（含WSL2 GPU版）

你有没有遇到过这样的情况：刚配好环境，一跑代码就报错“Can not import avx core”？或者明明装了CUDA，paddle.is_compiled_with_cuda()却返回False？别急——这些问题我全都踩过坑。今天就来手把手带你打通在Windows 系统下安装 PaddlePaddle 2.0 的完整链路，覆盖三种主流方式：

• 安装 CPU 版本（适合入门）
• 安装本地 GPU 版本（发挥显卡性能）
• 在 WSL2 中安装 GPU 版（兼顾 Linux 开发体验与 Windows 易用性）

无论你是学生、开发者还是科研人员，只要想在国产深度学习框架上快速起步，这篇文章都能帮你少走弯路。

先看我的配置

为了确保步骤可复现，以下是本次实测的软硬件环境：

📌 几个关键点必须强调：

• Python 必须是 64 位且版本在 3.5.1 以上，不支持 Python 2.x。
• 推荐使用Python 3.6～3.9，避免因版本过高导致依赖冲突。
• pip要保持最新，否则可能无法正确解析 whl 包：
  bash python -m pip install --upgrade pip

所有相关安装包已整理上传至百度网盘，方便“一站式”下载：

🔗 Windows10 + WSL2 安装 PaddlePaddle 所需全套资源
提取码：qrft

（包含：Python 安装包、VC_redist.x64.exe、CUDA 11.6、cuDNN 8.4.1、WSL2 内核更新包等）

第一步：稳扎稳打装好 Python

很多人觉得 Python 安装很简单，跳过自定义设置直接下一步，结果后面各种路径问题接踵而至。其实最关键的不是“能不能装”，而是“能不能长期稳定用”。

👉 推荐从官网或网盘获取安装包：
- https://www.python.org/downloads/
- 或使用网盘中的python-3.7.12-amd64.exe

安装时注意以下几点：

1. 勾选 “Add Python to PATH”—— 这是最容易被忽略但最重要的选项。
2. 选择Customize installation，进入高级配置。
3. Optional Features 页面全选，尤其是 pip 和 IDLE。
4. Advanced Options 中：
   - 自定义路径（例如C:\Python37），避免默认路径带空格引发问题。
   - 再次确认“Add Python to environment variables”已勾上。
   -点击 “Disable path length limit”！这是解决模块导入失败的关键一步，尤其对后续安装大型库如 PyTorch/PaddlePaddle 很重要。

✅ 安装完成后验证：

打开 CMD：

python --version

输出应为：

Python 3.7.12

再运行：

pip --version

确保 pip 正常工作。

💡 小建议：如果你打算多项目开发，推荐配合conda或venv创建虚拟环境，避免全局污染。

第二步：别漏掉 VC_redist.x64 运行库

哪怕你装了 Visual Studio 2022，也强烈建议单独安装这个运行库。不然导入 paddle 时很可能出现经典错误：

Error: Can not import avx core while this file exists

这通常是因为缺少 Microsoft Visual C++ Redistributable for Visual Studio。

解决方案：

前往微软官方下载并安装：
- 文件名：vc_redist.x64.exe
- 官方链接：https://aka.ms/vs/17/release/vc_redist.x64.exe

双击运行即可，无需重启，但建议重启一次以确保 DLL 注册成功。

⚠️ 提示：某些安全软件会误判该文件为风险程序，请添加信任后继续安装。

第三步：根据需求选择安装模式

现在进入正题。PaddlePaddle 提供了多种安装方式，核心区别在于是否启用 GPU 加速。我们分三种情况讨论。

方案一：只用 CPU（最简单）

适合笔记本无独显、仅用于学习和测试的同学。

安装命令：

python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

这里用了百度镜像源加速下载，防止网络波动中断。

验证是否成功：

启动 Python：

python

执行：

import paddle paddle.utils.run_check()

如果看到输出：

Running verify PaddlePaddle program ... PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now.

说明安装成功 ✅

虽然没有 GPU 加速，但对于模型推理、小数据训练已经够用。而且部署门槛低，非常适合初学者快速验证想法。

方案二：本地安装 GPU 版（高性能首选）

如果你有 NVIDIA 显卡（Compute Capability ≥ 3.5），就可以开启 CUDA 加速。RTX/GTX 系列基本都支持。

前提条件：

• 已安装 NVIDIA 显卡驱动（通过nvidia-smi可查看）
• 已安装 CUDA Toolkit
• 已安装 cuDNN
• 显卡支持 CUDA

1. 安装 CUDA Toolkit 11.6

⚠️ 注意：PaddlePaddle 2.0+ 支持 CUDA 10.2 / 11.2 / 11.6 / 11.8，不支持 CUDA 12+

前往 NVIDIA 归档页面下载：
🔗 CUDA Toolkit Archive

选择：
- OS: Windows
- Arch: x86_64
- Version: 11.6
- Installer Type: exe (local)

下载后运行安装程序，建议使用默认路径：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6

安装类型选Custom (Advanced)，取消不需要的组件（如 Visual Studio Integration），保留 Driver、Toolkit、Samples 即可。

安装完成后务必重启电脑。

验证：

nvcc --version

应显示 CUDA 编译器版本信息。

2. 安装 cuDNN 8.4.1 for CUDA 11.x

cuDNN 是深度神经网络专用加速库，必须手动复制到 CUDA 目录中。

⚠️ 下载需要注册 NVIDIA 开发者账号。

🔗 cuDNN Download Page

搜索：cuDNN v8.4.1 for CUDA 11.x

下载文件：cudnn-windows-x86_64-8.4.1.50_cuda11.6-archive.zip

解压后得到一个cuda文件夹，结构如下：

cuda/ ├── bin/ ├── include/ └── lib/

将其内容复制到 CUDA 安装目录（覆盖原文件）：

copy cuda\bin\* "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\bin" copy cuda\include\* "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\include" copy cuda\lib\x64\* "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib\x64"

💡 技巧：可在资源管理器中以管理员身份操作，直接拖拽粘贴更直观。

3. 安装 GPU 版 PaddlePaddle

终于可以安装真正的 GPU 版本了：

python -m pip install paddlepaddle-gpu==2.4.2.post116 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html -i https://mirror.baidu.com/pypi/simple

解释一下参数含义：

• paddlepaddle-gpu：GPU 版本标识
• ==2.4.2.post116：对应 CUDA 11.6 的预编译包
• -f：指定官方 whl 源，防止 pip 自动降级为 CPU 版
• -i：使用国内镜像加快下载

安装完成后验证：

import paddle print(paddle.__version__) print(paddle.is_compiled_with_cuda()) # 应返回 True

再运行：

paddle.utils.run_check()

若输出包含：

Your Paddle supports CUDA PaddlePaddle is installed successfully!

恭喜！你的 Paddle 已经能调用 GPU 进行训练了 🎉

🔧 常见问题排查：
- 若is_compiled_with_cuda()返回 False，请检查 CUDA 和 cuDNN 是否匹配。
- 如果提示 DLL 加载失败，多半是 VC_redist 或路径未生效，建议重装运行库并重启。

方案三：进阶玩法——在 WSL2 中安装 GPU 版

这是近年来越来越流行的开发方式：利用 WSL2 实现“Linux 原生体验 + Windows 图形界面”的完美结合。更重要的是，它支持 GPU 直通！

这意味着你可以在 Ubuntu 终端里直接运行nvidia-smi并调用本地显卡进行深度学习训练。

1. 启用 WSL2 并升级内核

以管理员身份打开 PowerShell，依次执行：

# 启用 WSL 功能 dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart # 启用虚拟机平台 dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

重启计算机。

然后下载并安装 WSL2 内核更新包：

🔗 WSL2 Linux 内核更新包（x64）

安装完成后设置默认版本为 WSL2：

wsl --set-default-version 2

2. 安装 Ubuntu 20.04 LTS

打开 Microsoft Store：
👉 Ubuntu 20.04 LTS

点击安装，首次启动会提示创建用户名和密码，请记住它。

安装完成后可通过开始菜单或命令启动：

wsl

进入终端后建议先更新系统：

sudo apt update && sudo apt upgrade -y

3. 安装适用于 WSL 的 NVIDIA 驱动

前往 NVIDIA 官网下载支持 WSL 的驱动：

🔗 CUDA on WSL 下载页

下载最新的 WHQL 认证驱动（如515.65.01或更高），安装后无需重启 Windows。

在 WSL 终端中验证 GPU 是否可用：

nvidia-smi

你应该能看到类似输出：

+-----------------------------------------------------------------------------+ | NVIDIA-SMI 515.65.01 Driver Version: 515.65.01 CUDA Version: 11.7 | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |===============================+======================+======================| | 0 NVIDIA RTX 2070 Off | 00000000:01:00.0 Off | N/A | | N/A 48C P8 15W / N/A | 320MiB / 8192MiB | 5% Default | +-------------------------------+----------------------+----------------------+

✅ 成功识别 GPU！

注意：这里的 CUDA Version 是由 Windows 驱动提供的，Linux 子系统本身并不运行完整的 GPU 驱动栈。

4. 在 WSL 中安装 CUDA Toolkit

虽然 GPU 驱动由 Windows 提供，但在 WSL 中仍需安装 CUDA Toolkit 用于编译和链接。

添加 NVIDIA 包源：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb sudo dpkg -i cuda-keyring_1.0-1_all.deb sudo apt-get update

安装 CUDA 11.6：

sudo apt-get install -y cuda-toolkit-11-6

验证：

nvcc --version

5. 安装 cuDNN（Linux 版）

前往 NVIDIA 官网下载适用于 Linux 的 cuDNN：

文件名：cudnn-linux-x86_64-8.4.1.50_cuda11.6-archive.tar.xz

上传至 WSL 或挂载 Windows 路径后解压：

tar -xf cudnn-linux-x86_64-8.4.1.50_cuda11.6-archive.tar.xz cd cudnn-linux-x86_64-8.4.1.50_cuda11.6-archive

复制文件到 CUDA 目录：

sudo cp include/* /usr/local/cuda/include/ sudo cp lib/* /usr/local/cuda/lib64/ sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

验证版本：

cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

应输出：

#define CUDNN_MAJOR 8 #define CUDNN_MINOR 4 #define CUDNN_PATCHLEVEL 1

6. 安装 PaddlePaddle GPU 版（WSL2）

最后一步：

python3 -m pip install paddlepaddle-gpu==2.4.2.post116 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html -i https://mirror.baidu.com/pypi/simple

注意使用的是Linux 的 whl 地址，不能混用 Windows 版本。

验证：

import paddle print(paddle.is_compiled_with_cuda()) # 应输出 True paddle.utils.run_check()

如果提示成功，那就意味着你已经在 WSL2 中打通了Windows + Linux + GPU的完整开发链路！

这种组合特别适合习惯 Linux 命令行、又不想放弃 Windows 生态的开发者。比如你可以用 VS Code Remote-WSL 编辑代码，同时享受 GPU 加速训练。

三种方式怎么选？

个人建议：

• 新手入门：先用 CPU 版跑通流程。
• 日常开发：优先考虑本地 GPU 版，稳定性高。
• 追求极致体验：WSL2 + VS Code 是目前最流畅的 AI 开发组合之一。

实战推荐场景

装好了 PaddlePaddle，接下来能做什么？

🎯强烈推荐这几个开箱即用的工具包：

• PaddleOCR：实现高精度中文文字识别，比 Tesseract 更准，集成也更方便。
• ERNIE：构建中文情感分析、文本分类模型，在中文任务上表现优异。
• PaddleDetection：快速搭建目标检测系统，支持 YOLOv3、PP-YOLOE 等主流算法。

这些模型都可以通过paddlehub直接加载，几行代码就能完成部署。

最后提醒几个坑

1. 不要用 pip 安装旧版本：PaddlePaddle 更新频繁，老版本可能存在兼容性问题。
2. CUDA 和 cuDNN 版本一定要匹配：特别是 post116 对应的就是 CUDA 11.6。
3. 路径不要有中文或空格：否则可能出现 DLL 加载失败。
4. WSL2 中记得用 python3 而非 python：Ubuntu 默认不绑定python命令。

结语

PaddlePaddle 作为国产全场景深度学习平台，不仅 API 设计简洁，还内置大量工业级模型库，在中文处理和产业落地方面优势明显。无论是做 OCR、语音识别还是推荐系统，它都是一个值得信赖的选择。

而借助现代 Windows 的 WSL2 技术，我们已经可以实现“一套硬件，两种生态”的高效开发模式。只要你愿意花半天时间配好环境，后面的路就会顺畅很多。

📥 所需资源打包下载：
🔗 [https://pan.baidu.com/s/1EYxTPBPue5rsW7vRRkgajw]
提取码：qrft

祝你在深度学习的道路上越走越远，用 PaddlePaddle 赋能更多智能应用！🚀