Windows 11 上通过 WSL2 搭建 GPU 加速的 PyTorch 深度学习环境

1. 为什么要在 Windows 上折腾 WSL2 跑 AI 开发

1.1 一个真实场景：双系统切换的痛

我最早做深度学习项目时，用的是 Windows + Ubuntu 双系统方案。每次要跑训练就得重启切到 Linux，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 Windows 环境装 PyTorch，CUDA 版本、cuDNN 版本、Python 版本三者之间的兼容性问题能把人逼疯，而且 Windows 下某些库的编译支持确实不如 Linux 完善。

WSL2 的出现基本解决了这个矛盾。它本质上是跑在 Hyper-V 轻量级虚拟机里的完整 Linux 内核，不是早期 WSL1 那种系统调用翻译层。这意味着你在 WSL2 里跑的是真正的 Linux 内核，uname -r出来的是微软自己编译的内核版本号，系统调用、文件系统、网络栈都是原生的。对于 AI 开发来说，这一点至关重要，因为 PyTorch、TensorFlow 这些框架在 Linux 下的表现和 Windows 下完全是两回事。

1.2 WSL2 到底能做什么

简单说，WSL2 让你在 Windows 11 上拥有一个几乎完整的 Linux 环境，同时能和 Windows 文件系统互通、能直接用 Windows 的 GPU 驱动、能在 VS Code 里无缝编辑 Linux 下的代码。对于 AI 开发场景，核心能力包括：

• GPU 直通：通过 WSLg 和 DirectX 底层支持，NVIDIA 显卡可以在 WSL2 里直接调用，CUDA 程序原生运行
• 内核级兼容：完整的 Linux 内核意味着 Docker、systemd（需配置）、各类编译工具链都能正常工作
• 文件互通：Windows 的 D 盘、E 盘可以挂载到/mnt/d、/mnt/e，数据不用来回拷贝
• 资源可控：内存、CPU 核心数、交换分区都可以通过.wslconfig精细控制

适合谁来参考这篇文章？如果你是用 Windows 做开发但需要 Linux 环境跑 AI 训练、如果你受够了双系统切换、如果你在 Windows 下装 CUDA 反复失败，那这套方案就是为你准备的。即使你之前没接触过 Linux，跟着步骤走也能搭起来。

1.3 这套方案的核心思路

整体架构分三层：最底层是 Windows 11 的 Hyper-V 虚拟化平台，中间层是 WSL2 的轻量级 Linux 虚拟机，最上层是 Ubuntu 发行版 + CUDA Toolkit + PyTorch。GPU 直通的关键在于 Windows 侧的 NVIDIA 驱动会同时暴露给 WSL2，你不需要在 Linux 里再装一遍显卡驱动，只需要装 CUDA Toolkit 就行。这一点和纯 Linux 环境不同，很多人在这里踩坑，后面会详细说。

2. 环境准备与 WSL2 安装全流程

2.1 系统要求与前置检查

在动手之前，先确认你的环境满足以下条件：

检查虚拟化是否开启：任务管理器 → 性能 → CPU → 看“虚拟化”是否为“已启用”。如果是“已禁用”，需要进 BIOS 开启 Intel VT-x 或 AMD-V。这一步很多人忽略，结果 WSL2 装完启动报错“WSL2 尚未准备就绪”，根源就在这里。

另外确认 Windows 功能里“虚拟机平台”和“适用于 Linux 的 Windows 子系统”两个可选组件已勾选。Win11 下可以用一条命令搞定：

wsl --install

这条命令会自动启用所需组件、下载内核更新、安装 Ubuntu 默认发行版。但我不建议完全依赖它，因为默认安装到 C 盘，后期 C 盘爆满会很麻烦。下面讲手动控制安装位置的方法。

2.2 把 WSL2 装到 D 盘的正确姿势

WSL2 默认把虚拟磁盘文件（ext4.vhdx）放在C:\Users\你的用户名\AppData\Local\Packages\下面，这个文件会随着你装包、下数据不断膨胀，几十 GB 很常见。C 盘空间紧张的话，必须迁移。

思路是：先正常安装发行版，然后用wsl --export导出为 tar 文件，再wsl --import导入到 D 盘指定目录，最后删除原发行版。具体操作：

# 查看已安装的发行版 wsl --list --verbose # 导出现有发行版到 D 盘 wsl --export Ubuntu-22.04 D:\wsl\ubuntu22.tar # 注销原发行版 wsl --unregister Ubuntu-22.04 # 导入到 D 盘指定目录 wsl --import Ubuntu-22.04 D:\wsl\Ubuntu-22.04 D:\wsl\ubuntu22.tar --version 2 # 设置默认用户（否则默认以 root 登录） ubuntu2204 config --default-user 你的用户名

导入完成后，D:\wsl\Ubuntu-22.04\ext4.vhdx就是新的虚拟磁盘文件。以后所有数据都写在这里，C 盘只占一个几百 MB 的内核文件。

注意：--import的目录必须是空目录，否则会报错。另外导入后原来的默认用户会丢失，必须用config --default-user重新指定，否则每次进去都是 root，权限会乱。

2.3 内存与 CPU 资源限制配置

WSL2 默认会占用最多 50% 的物理内存，如果你有 32GB 内存，它可能吃掉 16GB。跑大模型训练时这反而不够用，但日常开发时又太浪费。建议在C:\Users\你的用户名\.wslconfig里手动限制：

[wsl2] memory=24GB processors=12 swap=8GB localhostForwarding=true

这里memory设成 24GB 是给 32GB 物理内存留 8GB 给 Windows 本身。processors设成 12 是假设你有 16 核 CPU，留 4 核给系统。swap设成 8GB 是防止内存爆掉时直接 OOM，但注意 swap 是磁盘模拟的，速度慢，只能当保险用。

改完配置需要wsl --shutdown重启 WSL 才生效。验证是否生效：进 WSL 后free -h看内存总量，nproc看 CPU 核心数。

2.4 换国内镜像源加速

Ubuntu 默认的 apt 源在国外，装包速度可能很慢。换成国内镜像源能快很多。以 Ubuntu 22.04 为例，编辑/etc/apt/sources.list：

sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak sudo sed -i 's|http://archive.ubuntu.com|https://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list sudo sed -i 's|http://security.ubuntu.com|https://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list sudo apt update && sudo apt upgrade -y

这里用清华源是因为它同步频率高、覆盖全。换完源之后apt install的速度能从几百 KB/s 提到几 MB/s，装 CUDA 相关依赖时体感差别巨大。

3. GPU 直通与 CUDA 环境搭建

3.1 Windows 侧驱动：只装一个就够

这是最容易踩坑的地方。很多人以为 WSL2 里要单独装 NVIDIA 驱动，结果装完反而冲突。正确做法是：只在 Windows 侧装 NVIDIA 驱动，WSL2 里绝对不要装显卡驱动。

Windows 侧的驱动版本要求 470.76 以上（2021 年后的版本基本都满足）。装完之后，WSL2 会自动通过/usr/lib/wsl/lib/下的库文件访问 GPU。验证方法：进 WSL2 执行nvidia-smi，如果能看到显卡信息，说明直通成功。

如果nvidia-smi报“command not found”，先检查/usr/lib/wsl/lib/nvidia-smi是否存在。存在的话把它加到 PATH：

export PATH=/usr/lib/wsl/lib:$PATH echo 'export PATH=/usr/lib/wsl/lib:$PATH' >> ~/.bashrc

如果这个文件不存在，说明 Windows 驱动版本太旧或者没装对，回 Windows 重装最新驱动。

3.2 CUDA Toolkit 安装：版本选择是关键

CUDA 版本必须和 PyTorch 支持的版本对齐。截至我写这篇文章时，PyTorch 2.x 稳定支持 CUDA 11.8 和 12.1。选哪个？看你的显卡：

• RTX 30 系、40 系：建议 CUDA 12.1，新特性支持更好
• RTX 20 系、GTX 16 系：CUDA 11.8 更稳
• 更老的卡：查 PyTorch 官网的兼容表

安装 CUDA Toolkit 有两种方式：apt 源安装和 runfile 安装。WSL2 下推荐 apt 方式，因为 runfile 会尝试装驱动，容易搞乱环境。

# 下载 CUDA keyring 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 # 安装 CUDA Toolkit 12.1 sudo apt install -y cuda-toolkit-12-1

注意包名是cuda-toolkit-12-1而不是cuda。装cuda会连带装驱动，在 WSL2 下会出问题。装完后配置环境变量：

echo 'export PATH=/usr/local/cuda-12.1/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc

验证：nvcc --version应该输出 CUDA 12.1 的版本信息。

3.3 cuDNN 安装

cuDNN 是 NVIDIA 的深度神经网络加速库，PyTorch 底层会调用它。从 CUDA 11 开始，cuDNN 也可以通过 apt 装：

sudo apt install -y libcudnn8 libcudnn8-dev

装完验证：dpkg -l | grep cudnn能看到版本号即可。cuDNN 版本不需要和 CUDA 严格一一对应，大版本匹配就行。

3.4 一个容易忽略的点：WSL2 的 GPU 显存是动态分配的

WSL2 下 GPU 显存不是独占的，而是和 Windows 共享。这意味着如果你 Windows 侧开着游戏或者浏览器占用了显存，WSL2 里能用的显存会变少。跑大模型训练前，建议关掉不必要的图形程序。另外nvidia-smi在 WSL2 下显示的显存总量可能和 Windows 侧不一致，这是正常的，以实际可用为准。

4. PyTorch 环境搭建与验证

4.1 Python 环境管理：Miniconda 还是 venv

我推荐 Miniconda，原因是 AI 开发经常需要切换不同版本的 Python 和 CUDA 组合，conda 的环境隔离更彻底。venv 虽然轻量，但处理 CUDA 相关依赖时不如 conda 省心。

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3 $HOME/miniconda3/bin/conda init bash source ~/.bashrc

装完创建专用环境：

conda create -n pytorch python=3.10 -y conda activate pytorch

Python 3.10 是当前 PyTorch 支持最稳的版本，3.11 和 3.12 部分库还没跟上。

4.2 PyTorch 安装：pip 还是 conda

PyTorch 官方推荐 pip 安装，因为 conda 源的更新往往滞后。用官方提供的索引地址：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

这里cu121对应 CUDA 12.1。如果你装的是 CUDA 11.8，改成cu118。注意不要用默认的pip install torch，那样装的是 CPU 版本，白折腾。

安装完成后验证：

import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0)) print(torch.cuda.get_device_capability(0))

torch.cuda.is_available()返回True才算成功。如果返回False，按下面的排查表逐项检查。

4.3 常见安装失败排查表

4.4 实测性能对比

我在 RTX 4070 Ti + i7-13700K + 32GB DDR5 的配置上做了个简单对比，跑 ResNet-50 训练，batch size 64：

WSL2 的性能损失大约在 5% 左右，主要来自虚拟化层的开销。对于大多数开发场景，这个损失完全可以接受，换来的是不用重启切换系统的便利。

5. 日常开发中的实用技巧与避坑经验

5.1 文件系统性能：别在 /mnt/c 下跑训练

WSL2 访问 Windows 文件系统（/mnt/c、/mnt/d）走的是 9P 协议，性能比原生 ext4 差很多。我实测过，同样读一个 10GB 的数据集，从/mnt/d读比从~/data读慢 3 到 5 倍。所以训练数据一定要放在 WSL2 自己的文件系统里，也就是~/下面。

如果数据在 Windows 侧，先拷进来：

cp -r /mnt/d/datasets/coco ~/data/coco

拷一次虽然花时间，但训练时每个 epoch 都省时间，总体是赚的。

5.2 VS Code 远程开发：最舒服的写代码方式

在 Windows 侧装 VS Code，然后装 “WSL” 扩展。在 WSL2 终端里进到项目目录，执行code .，VS Code 会自动以远程模式打开 WSL2 里的项目。这样你用的是 Windows 的图形界面，但代码运行在 Linux 环境里，两全其美。

Python 解释器要选 WSL2 里 conda 环境的那个，路径大概是~/miniconda3/envs/pytorch/bin/python。选对了解释器，调试、补全、Jupyter 都能正常工作。

5.3 几个我踩过的坑

坑一：WSL2 时间不同步。Windows 休眠后 WSL2 的时间会漂移，导致 pip 安装时报 SSL 证书错误。解决方法是sudo hwclock -s同步时间，或者直接wsl --shutdown重启。

坑二：磁盘空间不释放。删了 WSL2 里的大文件，但 ext4.vhdx 文件在 Windows 侧看还是那么大。这是虚拟磁盘的特性，需要手动压缩：

wsl --shutdown diskpart # 在 diskpart 里执行： select vdisk file="D:\wsl\Ubuntu-22.04\ext4.vhdx" attach vdisk readonly compact vdisk detach vdisk exit

坑三：端口转发失效。WSL2 里的服务（比如 Jupyter）默认 Windows 侧可以通过localhost访问，但有时候会失效。检查.wslconfig里localhostForwarding=true是否开启，或者直接用 WSL2 的 IP 访问。

坑四：conda 激活慢。每次开终端 conda 初始化要好几秒。可以在.bashrc里把 conda 初始化块改成延迟加载，或者干脆用conda activate手动激活。

5.4 大模型微调场景的额外配置

如果你要在 WSL2 里微调大模型（比如 7B 参数的 LLM），显存是瓶颈。几个实用建议：

• 用bitsandbytes做 4bit 量化，7B 模型显存占用能从 28GB 降到 6GB 左右
• 用gradient_checkpointing换显存，代价是训练速度慢 20% 左右
• batch size 设小一点，配合gradient_accumulation_steps模拟大 batch
• 监控显存用watch -n 1 nvidia-smi，实时看占用变化

另外 WSL2 下nvidia-smi显示的显存占用可能包含 Windows 侧的共享部分，实际可用显存以 PyTorch 报的为准。

5.5 备份与迁移

WSL2 环境搭好一次不容易，建议定期备份。用wsl --export导出 tar 文件，换电脑时wsl --import导入即可。tar 文件可以压缩，20GB 的环境压完大概 8GB 左右。备份频率看你的折腾程度，装完 CUDA 和 PyTorch 后备份一次，之后每月一次就够。

我个人在实际操作中的体会是，WSL2 这套方案最大的价值不是性能，而是把 Linux 的开发体验和 Windows 的日常使用无缝融合了。你不用再为了跑一个训练脚本重启电脑，也不用在 Windows 下忍受各种兼容性问题。GPU 直通这块虽然初次配置有点绕，但一旦跑通，后续使用和原生 Linux 几乎没区别。唯一要记住的就是那条铁律：Windows 侧装驱动，WSL2 侧只装 CUDA Toolkit，两边都装驱动必出问题。