【2024】Windows 11 安装WSL2并搭建深度学习环境（Docker，Pytorch）

完成一和二，可用VS Code连接WSL，进行开发（train的速度略快于Widnows）

完成三，可用VS Code连接Docker镜像，代码在本地开发，在Docker镜像中运行

一、Windows11安装WSL2

1.1 启用3个Windows功能

打开控制面板，找到下图，点击“程序”

点击“启用或关闭Windows功能”

启用3个Windows功能，如下图

启用以上三个Windows功能，若没有Hyper-V，则根据以下步骤添加

1.2 添加Hyper-V【可选】

在桌面新建一个文本文件，将下面的程序复制进去，之后修改文件后缀名为.bat

pushd "%~dp0"
dir /b %SystemRoot%\servicing\Packages\*Hyper-V*.mum >hyper-v.txt
for /f %%i in ('findstr /i . hyper-v.txt 2^>nul') do dism /online /norestart /add-package:"%SystemRoot%\servicing\Packages\%%i"
del hyper-v.txt
Dism /online /enable-feature /featurename:Microsoft-Hyper-V-All /LimitAccess /ALL

最终效果如下图，双击运行即可。

1.3 安装Ubuntu

打开Microsoft Store，搜索Ubuntu，安装即可。

之后启动刚才下载的ubuntu

若出现报错0x800701bc

则点击下面的链接，下载WSL更新包

https://wslstorestorage.blob.core.windows.net/wslblob/wsl_update_x64.msi

下完后双击运行wsl_update_x64.msi即可。

打开 PowerShell，然后在安装新的 Linux 发行版时运行以下命令，将 WSL 2 设置为默认版本：

wsl --set-default-version 2

之后再次运行Ubuntu，按照要求输入用户名和密码即可（密码不会显示，别误认为自己输错了）

二、安装NVIDIA驱动，CUDA

我的显卡是GeForce GTX 1050 Ti，电脑自带CUDA驱动版本是11.1。如下图

建议升级到新版驱动，这样的话，就无需在WSL中安装NVIDIA驱动，直接就能使用。升级驱动后，如下图

2.1 安装/升级 NVIDIA驱动

进入下載適合玩家和創作者的 NVIDIA App | NVIDIA

下载NVIDIA App，之后下载可用的最新的驱动

之后打开windows的cmd，执行nvidia-smi查看当前CUDA驱动版本

nvidia-smi

打开WSL，执行nvidia-smi。WSL中应该也能看到相同的结果。

2.2 更新Linux的软件列表

在WSL中执行如下命令（主要是安装gcc，否则下一步的安装无法进行）

sudo apt-get update                    #更新软件列表
sudo apt-get install build-essential   #安装必备的工具包

2.3 安装CUDA Toolkit【现在不用了】

对较新的CUDA driver版本来说，不需要再安装这个了。在Windows或WSL系统上，安装pytorch的时候，pytorch已经自动帮我们安装好pytorch所需要的CUDA Toolkit了，不需要再手动安装。

这也是我们刚才更新NVIDIA驱动版本的原因

在Linux系统上，仍需要手动安装全局的CUDA Toolkit

进入CUDA Toolkit 12.3 Update 2 Downloads | NVIDIA Developer

下载CUDA ToolKit，要与上面的CUDA Version对应，历史版本见下图

找到正确的版本后，在WSL中，输入命令即可

命令1：下载.sh文件

命令2：运行sh文件(都按照默认设置安装即可)

第一个界面输入accept

第二个界面找install

执行如下指令,添加环境变量。注意：要修改为自己安装的cuda版本,我这里是cuda-12.3

(建议将这2条加入linux系统环境变量，否则系统重启后，环境变量就没了，上网搜索即可。若加入系统变量，要先重启，才会生效)

export PATH="/usr/local/cuda-12.3/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda-12.3/lib64:$LD_LIBRARY_PATH"

执行nvcc -V,得到如下结果,则成功

2.4 安装anaconda或miniconda

打开WSL终端

在官网Installing Miniconda - Anaconda找到下载链接，用wget下载.sh文件

wget 下载链接

之后运行.sh文件，安装anaconda或miniconda

2.5 conda创建虚拟环境，安装pytorch+cu116

在conda prompt中执行如下命令，创建虚拟环境

conda create -n torch_gpu python=3.9

在pytorch官网找到对应命令，在虚拟环境下执行即可（根据自己的需要，找版本，安装的cuda版本不能高于机器中CUDA Version。我的机器CUDA Version是12.3，所以安装的cu116（cuda 11.6）没毛病）

三、测试pytorch环境

进入WSL终端，激活你用conda创建的pytorch环境，执行

import torch # 导入pytorch包
print(torch.cuda.is_available()) # pytorch能否使用NVIDIA显卡，应输出True
print(torch.cuda.device_count()) # 可用的显卡数量，应该大于0

到这一步，你已经可以使用WSL搞深度学习了，下面是基于Docker镜像的深度学习环境搭建

四、基于Docker镜像的深度学习环境搭建

这部分参考新文章：

【2025深度学习环境搭建-1】在Win11上用WSL2和Docker解锁GPU加速

【2025深度学习环境搭建-2】pytorch+Docker+VS Code+DevContainer搭建本地深度学习环境

参考资料

旧版 WSL 的手动安装步骤 | Microsoft Learn

1. NVIDIA GPU Accelerated Computing on WSL 2 — CUDA on WSL 12.3 documentation

Docker Desktop WSL 2 backend on Windows | Docker Docs在WSL 2中配置Cuda以及gpu版本的pytorch(2022最新版) - 知乎