前言
在 WSL2 中搭建深度学习环境，是许多开发者高效开展 AI 研究的常见选择。本文聚焦 CUDA、conda 与 PyTorch 的配置流程，重点讲解如何从官网自主获取资源并完成环境搭建，助你快速掌握核心步骤，轻松开启深度学习实践。本文我将用 Ubuntu24.04 进行演示，其中的配置思路是可以迁移的。
一、换源
在 WSL2 中安装软件前，建议先将 apt 源更换为国内镜像源，以大幅提升下载速度。具体操作如下：
1. 更新软件列表
首先执行更新命令，确保本地包索引是最新的：
sudo apt update2. 备份原始源文件
为了防止配置出错，建议先备份原始的 sources 文件
sudo cp /etc/apt/sources.list.d/ubuntu.sources /etc/apt/sources.list.d/ubuntu.sources.bak3. 编辑源配置文件
使用 vim 编辑器打开源配置文件进行修改（如果你不习惯 vim，也可以使用 nano）：
sudo vim /etc/apt/sources.list.d/ubuntu.sources- 清空旧内容：进入编辑器后，这里需要按“i”进行插入模式，再输入：%d，这将删除文件内的所有内容。
- 粘贴新配置：将以下内容复制并粘贴到文件中（这里使用的是清华大学的镜像源）
Types: deb URIs: https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ Suites: noble noble-updates noble-security noble-backports Components: main restricted universe multiverse Signed-By: /usr/share/keyrings/ubuntu-archive-keyring.gpg如图：
- 保存并退出：按
ESC键退出插入模式，输入:wq并回车，即可保存文件并退出编辑器。 - 验证修改：你可以使用以下命令查看文件内容，确认修改是否成功
cat /etc/apt/sources.list.d/ubuntu.sources如图：
4.更新软件源索引：
配置完成后，务必执行更新命令，让系统重新读取新的源地址：
sudo apt update二、配置 CUDA
1. 安装依赖
在 WSL2 的 Linux 环境中，我们需要安装 NVIDIA 的开源驱动包作为依赖（注意：这通常是为了配合 Windows 宿主机的驱动使用）：
sudo apt install nvidia-open2.重启系统
安装完成后，为了确保驱动加载生效，需要重启 WSL2 或整个系统：
sudo reboot3. 检查状态
重启后，输入以下命令查看显卡状态及 CUDA 版本信息检查
nvidia-smi这里的 CUDA Version：显示了当前驱动支持的最高 CUDA 版本，之后需要根据这个去安装 CUDA Toolkit
4. 安装 CUDA Toolkit
点击打开官网，根据一下步骤打开 CUDA Toolkit
如图这里需要根据CUDA Version的情况下载对应的版本，如果在 13.3 一下就需要去找其它版本的 CUDA Toolkit。
这里大家就根据自己的 CUDA Version 选择对应的 Toolkit 下载即可。
这里因为我的 CUDA Version 是 13.2，我就以 13.2 作为演示。
这里根据指示选择好要下载的类型，注意 Installer Type 是可以三选一的，我这里用 deb 做演示，如图：
选择好之后下面会出现一些命令行，可以直接复制粘贴到终端中运行，如图。
5.配置环境变量
下载并安装好 CUDA Toolkit 后，系统通常不会自动将其添加到路径中。我们需要手动配置环境变量，以便系统能找到 CUDA 的编译器和库文件。
- 确认安装目录：首先，我们可以查看
/usr/local目录下是否存在对应的 CUDA 文件夹，如图：
ls /usr/local接着查看该目录下的具体文件结构，如图：
ls /usr/local/cuda-13.2- 写入配置文件：
使用以下命令将 CUDA 的路径追加到~/.bashrc配置文件中。这里使用了cat命令配合 Here Document (<<'EOF') 的方式一次性写入两行关键配置：
cat >> ~/.bashrc <<'EOF' export PATH=/usr/local/cuda-13.2/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-13.2/lib64:$LD_LIBRARY_PATH EOF如图：
注意： 请确保将命令中的13.2替换为你实际安装的 CUDA 版本号。
- 使配置生效：修改完配置文件后，需要执行以下命令使其立即生效
source ~/.bashrc6. 验证安装
最后，通过查看 NVCC（NVIDIA CUDA Compiler）的版本号来验证环境是否配置成功：
nvcc --version如果输出了类似图中的版本信息，说明 CUDA Toolkit 已经安装并配置成功，你可以开始进行深度学习开发了。
三、安装 conda
1. 获取安装脚本
打开官网，我们选择跳过登录就可以进行下载
选择安装 Linux 版本，这里推荐安装 Miniconda，因为它更加轻量、干净，我们可以点击下面的 Linux install instructions
这里会跳转到下载Miniconda 的文档，想要了解更多信息的可以自行学习，这里我把关键的命令行给出。
这里我们下载最新的 Linux 64-Bit 安装脚本：
curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh2. 运行安装脚本
下载完成后，执行以下命令开始安装：
bash ~/Miniconda3-latest-Linux-x86_64.sh3. 配置环境变量
安装完成后，为了确保系统能随时识别conda命令，我们需要将 Miniconda 的路径添加到系统的环境变量中。
使用以下命令将路径配置写入~/.bashrc文件：
cat >> ~/.bashrc <<'EOF' export PATH=$HOME/miniconda3/condabin:$PATH EOF接着，执行以下命令使刚才的配置立即生效：
source ~/.bashrc4. 查看环境
配置生效后，我们可以通过以下命令检查 Conda 是否正常工作，并查看当前的环境列表：
conda env list如果安装成功，终端会输出如图的信息：
5. 验证激活状态
此时，如果你重新启动终端，或者看到命令行提示符的最前方出现了(base)字样，如图所示，就说明 Conda 已经成功激活并默认进入了基础环境。
四、安装 PyTorch
1. 创建虚拟环境
先创建一个名为deeplearning的独立环境，并指定 Python 版本为 3.11（以根据需要修改版本号），同时安装pip包管理工具（后面需要用这个来安装 PyTorch）：
conda create -y -n deeplearning python=3.11 pip2. 激活环境
环境创建完成后，使用以下命令激活它：
conda activate deeplearning激活成功后，你的命令行提示符前方会出现(deeplearning)字样，表示当前操作都在该隔离环境中进行。
3.获取安装命令
- 访问官网，点击“Get started”按钮，进入安装配置页面
- 这里按照提醒选择对应的配置，注意 CUDA 的版本，要跟前面下载的 CUDA 一致（因为我前面下载的是 13.2，我这里就下载 13.2）。
- 选择完毕后，会自动生成对应的安装命令。直接复制该命令到终端中运行。
4. 验证结果
在终端中输入以下命令，列出当前环境中所有已安装的 Python 包：
pip list如果安装成功，会显示类似如图的版本。
