WSL2-Ubuntu Pytorch深度学习开发环境搭建

安装Linux发行版

删除现有Linux发行版

wsl -l -v
wsl --unregister Ubuntu

从Microsoft Store安装Linux发行版

设置用户名和密码

安装CUDA

CUDA（Compute Unified Device Architecture）是由NVIDIA推出的并行计算平台和编程模型。CUDA Toolkit是由NVIDIA提供的一套用于GPU开发的工具和库的集合。它包含了许多用于加速应用程序和算法的工具，以及用于构建和优化GPU加速软件的资源。

WSL上的CUDA用户指南 CUDA Toolkit存档

更新软件包信息并将已安装的软件包升级到它们的最新版本

sudo apt update && sudo apt upgrade

查看NVIDIA GPU相关信息

nvidia-smi

安装CUDA所需的基本依赖

sudo apt install build-essential

验证系统安装的gcc版本

gcc --version

安装CUDA Toolkit

安装适用于WSL-Ubuntu的相应版本的CUDA Toolkit，选择runfile安装类型

WSL-Ubuntu的CUDA Toolkit 12.1下载页面

wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda_12.1.1_530.30.02_linux.run
sudo sh cuda_12.1.1_530.30.02_linux.run

查看安装在/usr/local/cuda目录下的CUDA

ls /usr/local/cuda

**/usr/local/cuda/bin/**包含了CUDA的可执行文件，例如编译器nvcc和其他的CUDA工具。
**/usr/local/cuda/include/**包含了CUDA的头文件，这些头文件定义了CUDA库和API的接口。
**/usr/local/cuda/lib64/**包含了CUDA库文件，这些库文件是用于链接CUDA程序的。

配置环境变量

编辑Bash Shell配置文件，进行环境变量的设置

vim ~/.bashrc

按 i 键进入插入模式，在文件的末尾添加下面两行语句

export PATH=/usr/local/cuda/bin/:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64/:$LD_LIBRARY_PATH

按Ecs键返回命令模型，输入以下命令保存文件并退出vim

:wq

重新加载配置文件，使环境变量生效

source ~/.bashrc

验证CUDA的安装

查看NVIDIA CUDA编译器的版本信息

nvcc -V

运行NVIDIA CUDA Toolkit提供的示例程序

bandwidthTest是NVIDIA CUDA Toolkit提供的一个用于测试GPU内存带宽的工具。
deviceQuery是NVIDIA CUDA Toolkit提供的一个用于查询和显示GPU设备详细信息的工具。
vectorAdd是NVIDIA CUDA Toolkit提供的一个并行向量加法的示例程序。

/usr/local/cuda/extras/demo_suite/bandwidthTest
/usr/local/cuda/extras/demo_suite/deviceQuery
/usr/local/cuda/extras/demo_suite/vectorAdd

安装cuDNN

NVIDIA cuDNN（CUDA Deep Neural Network library）是由NVIDIA提供的一个用于深度学习的GPU加速库。cuDNN提供了高性能的基本操作和优化，旨在加速深度神经网络（DNN）的训练和推断过程。它是针对NVIDIA GPU架构的深度学习应用程序而设计的。

NVIDIA cuDNN安装指南

在Windows中下载适用于相应CUDA版本的cuDNN

cuDNN下载页面

将下载好的cudnn tar文件移动到Linux目录下

cp /mnt/x/xxxx/cudnn-linux-x86_64-8.9.6.50_cuda12-archive.tar.xz .

解压cuDNN包

tar -xvf cudnn-linux-x86_64-8.9.6.50_cuda12-archive.tar.xz

将cuDNN安装路径下的cuDNN头文件和库文件复制到CUDA toolkit的目录中，并赋予所有用户对 cuDNN 头文件和库文件的读取权限

sudo cp cudnn-linux-x86_64-8.9.6.50_cuda12-archive/include/cudnn*.h /usr/local/cuda/include 
sudo cp -P cudnn-linux-x86_64-8.9.6.50_cuda12-archive/lib/libcudnn* /usr/local/cuda/lib64 
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

至此CUDA和cuDNN安装完成。

安装MiniConda

Miniconda是一个轻量级的Anaconda版本，是一个开源的包管理和环境管理系统，旨在简化在不同平台上安装软件包和管理虚拟环境。Miniconda提供了一个快速、简单的方法来设置和使用Python环境。

MiniConda官方文档

下面四行命令完成了64位版本MiniConda的安装

mkdir -p ~/miniconda3
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3
rm -rf ~/miniconda3/miniconda.sh

将Miniconda的初始化脚本添加到Bash shell的配置文件中，以便在启动Bash shell时自动激活Miniconda环境

~/miniconda3/bin/conda init bash

配置Pytorch虚拟环境

创建一个新的Conda环境，指定Python的版本并在环境中安装pip

conda create -n pytorch211 python=3.10 pip

查看系统中已创建的Conda环境的信息

conda env list

激活指定的Conda环境

conda activate pytorch211

使用pip安装对应CUDA版本的Pytorch，同时安装Jupyter Notebook，使用清华大学的镜像源

Pytorch官网

pip install torch torchvision torchaudio notebook -i https://pypi.tuna.tsinghua.edu.cn/simple

运行Pytorch示例程序

下载Pytorch官方的示例代码

git clone https://github.com/pytorch/examples.git

运行一个使用Pytorch框架的多项式回归示例

python3 examples/regression/main.py

退出当前Conda环境

conda deactivate