笔记：WSL2+Ubuntu20.04+Pytorch(GPU)+CUDA11.8

1.wsl2安装

Windows下linux虚拟机gpu显卡虚拟化_windows下linux虚拟机共享gpu显卡-CSDN博客

2.安装CUDA

2.1windows下安装CUDA

TensorFlow_GPU安装流程_tensorflow gpu版本安装-CSDN博客

2.2ubuntu下验证

WSL2-Ubuntu Pytorch深度学习开发环境搭建_wsl如何使用pytorch-CSDN博客

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

3.安装CUDA Toolkit

CUDA Toolkit 11.8 Downloads | NVIDIA Developer

注意：要选择runfile（local）

其他版本：CUDA Toolkit Archive | NVIDIA Developer

复制指令安装

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
sudo sh cuda_11.8.0_520.61.05_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。
原文链接：WSL2-Ubuntu Pytorch深度学习开发环境搭建_wsl如何使用pytorch-CSDN博客

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

4.验证CUDA的安装

WSL2-Ubuntu Pytorch深度学习开发环境搭建_wsl如何使用pytorch-CSDN博客

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

5.安装CUDNN

在Windows中下载适用于相应CUDA版本的cuDNN

cuDNN Archive | NVIDIA Developer

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 Linux目录

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

cd cudnn-linux-x86_64-8.9.6.50_cuda12-archive

sudo cp include/cudnn*.h /usr/local/cuda/include 

sudo cp -P 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。

6.安装Anaconda

原文链接：【AI】WSL安装Anaconda_wsl 安装anaconda-CSDN博客

6.1下载

直接在wsl中执行wget命令下载，具体的版本可根据自己需求选择；

wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh

 6.2安装

bash Anaconda3-2023.09-0-Linux-x86_64.sh

然后一路yes操作就好了，默认的安装路径是/root/anaconda3

6.3配置conda命令

安装完成之后输入conda命令，报错command not found，应该是没有将anaconda的安装路径放入环境变量中，执行下面命令进行添加

vim ~/.bashrc
export PATH=$PATH:/root/anaconda3/bin # export PATH=$PATH:【你的安装目录】
source ~/.bashrc

7.安装Pytorch

7.1创建虚拟环境

修改权限：

sudo chmod a+w .conda

创建虚拟环境：

conda create -n pytorch-gpu python=3.8

 查看虚拟环境列表

conda env list

 进入虚拟环境：

Conda activate pytorch-gpu

 7.2安装

进入Pytorch官网选择对应版本PyTorch

7.3验证
# 检查 PyTorch 是否正确安装并与 GPU 兼容

python

import torch

print(torch.cuda.is_available())

print(torch.cuda.current_device())

print(torch.cuda.get_device_name(0))

验证成功如下：