【2023最新版】Win11: WSL（Ubuntu22.04）使用GPU 加速教程（通过Anaconda搭建深度学习环境）

目录

一、准备工作

1. 安装WSL2（适用于 Linux 的 Windows 子系统）

2. WSL使用GPU 加速简介——来源NVIDIA官网

二、安装 NVIDIA 驱动程序以支持 GPU

1. 系统已安装GetForce Experience

2. NVIDIA官网下载驱动

三、在 WSL2上使用Anaconda搭建深度学习

0. 前提条件

(a). WSL安装Anaconda、换源

(b). 配置环境方法（可跳过）

1. 创建虚拟环境

2. 激活虚拟环境

3. 选择适用于GPU的深度学习框架

4. 安装tensorflow-gpu2.3.0

(a). 下载tensorflow-gpu2.3.0版本

(b). 根据tensorflow-gpu下载相应的cudnn7.6.5版本

(c). 检验

五、WSL设置TensorFlow-DirectML

1. 创建虚拟环境

2. 激活虚拟环境

3. 安装机器学习框架

---

一、准备工作

1. 安装WSL2（适用于 Linux 的 Windows 子系统）

Windows11安装Linux子系统(Ubuntu22.04LTS)+安装ROS_QomolangmaH的博客-CSDN博客https://blog.csdn.net/m0_63834988/article/details/128672234?spm=1001.2014.3001.5501

2. WSL使用GPU 加速简介——来源NVIDIA官网

        通常，在 Linux 和 Windows 环境中工作的开发人员具有非常具有破坏性的工作流程。他们要么必须：

• 在 Linux 和 Windows 上使用不同的系统，或者

• 双启动，即在系统上相同或不同硬盘上的单独分区中安装 Linux 和 Windows，然后启动到所选操作系统。

        在这两种情况下，开发人员都必须停止所有工作，然后切换系统或重新启动。此外，这在历史上限制了跨两个主要生态系统的无缝、集成良好的工具和软件系统的开发。

        WSL 使用户能够在两个环境中无缝过渡，而无需资源密集型传统虚拟机，并提高生产力和使用工具进行开发并集成其工作流。更重要的是，WSL 2使迄今为止只能在Linux上使用的应用程序在Windows上可用。对 GPU 的 WSL 2 支持允许这些应用程序从 GPU 加速计算中受益，并扩展了可在 WSL 2 上开发的应用程序领域。

        借助 NVIDIA CUDA 对 WSL 2 的支持，开发人员可以通过 WSL 利用 NVIDIA GPU 加速计算技术在 Windows 上进行数据科学、机器学习和推理。GPU 加速还有助于降低在接近接近本机的类似 WSL 的环境中运行应用程序的性能开销，因为它能够以更少的 CPU 干预在 GPU 上管道更多的并行工作。

二、安装 NVIDIA 驱动程序以支持 GPU

        在系统上安装 NVIDIA GeForce Game Ready 或 NVIDIA RTX Quadro Windows 11 

注意：

这是您要安装的唯一驱动程序。不要在 WSL 中安装任何 Linux 显示驱动程序。

1. 系统已安装GetForce Experience

• 搜索GetForce Experience

• 注册、登录

• 查看驱动

 如图，NVIDIA GeForce Game Ready驱动已存在（可以选择下载更新）

2. NVIDIA官网下载驱动

官方驱动 | NVIDIAhttps://www.nvidia.cn/Download/index.aspx?lang=cn

• 勾选设备信息

• 下载

        注：安装成功后需要重启设备

三、在 WSL2上使用Anaconda搭建深度学习

0. 前提条件

(a). WSL安装Anaconda、换源

参照前文：

【2023最新版】Windows11：WSL（Ubuntu22.04）安装Anaconda（换源、各种报错及解决方案）+连接Pycharm进行远程开发_QomolangmaH的博客-CSDN博客https://blog.csdn.net/m0_63834988/article/details/131867701?spm=1001.2014.3001.5502

(b). 配置环境方法（可跳过）

参照前文：

Anaconda搭建深度学习环境py 3.7：tensorflow-gpu2.3.0、pytorch1.12.1_gpu版本；（使用conda下载cuda和cudnn）；配置环境经验总结_QomolangmaH的博客-CSDN博客https://blog.csdn.net/m0_63834988/article/details/128841527?spm=1001.2014.3001.5502（一次环境配置过程记录，包括遇到的各种坑，仅供参考）

1. 创建虚拟环境

 conda create -n gpu python=3.7

2. 激活虚拟环境

conda activate gpu

3. 选择适用于GPU的深度学习框架

• 对于TensorFlow：

  conda install tensorflow-gpu

• 对于PyTorch：

  conda install pytorch torchvision torchaudio cudatoolkit=<your_cuda_version> -c pytorch

                具体版本请参照官网

Previous PyTorch Versions | PyTorchhttps://pytorch.org/get-started/previous-versions/

下面将以tensorflow-gpu为例   

4. 安装tensorflow-gpu2.3.0

(a). 下载tensorflow-gpu2.3.0版本

pip install tensorflow-gpu==2.3.0

(b). 根据tensorflow-gpu下载相应的cudnn7.6.5版本

使用conda命令会同时下载cudnn+cudatoolkit！！！

conda install cudnn==7.6.5

(c). 检验

import tensorflow as tf


print('GPU', tf.config.list_physical_devices('GPU'))
a = tf.constant(3.)
print(a * a)

五、WSL设置TensorFlow-DirectML

1. 创建虚拟环境

conda create -n directml python=3.6 

2. 激活虚拟环境

conda activate directml

3. 安装机器学习框架

• 对于TensorFlow：

pip install tensorflow-directml