基于WSL2搭建Tensorflow GPU深度学习环境以及JupyterLab

由于在Windows上tensorflow在2.10之后的版本不再支持GPU运算，只能使用Linux，所以需要基于WSL2搭建环境（WSL2的环境搭建教程，点击此处查看）

必要的软件安装：

1、下载Firefox

sudo apt install firefox

把Firefox设为默认浏览器

2、安装Miniconda

先到清华源上下载安装Anaconda到WSL

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

按照Tensorflow官方文档下载的是miniconda:

Index of /anaconda/miniconda/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

这里选择的是：

在home下新建文件夹miniconda，将下载好的文件移过去

然后在终端中打开并执行

bash Miniconda3-py39_23.3.1-0-Linux-x86_64.sh

sudo apt install python3-pip

输入yes后一路回车

输入yes继续

安装完成

进入miniconda安装位置

执行conda list，说明安装成功

修改conda国内源，.condarc是隐藏文件，需要先设置隐藏文件可见

#文件在home目录下
conda config --set show_channel_urls yes

sudo nano .condarc

覆盖原文件内容

channels:
  - defaults
show_channel_urls: true
channel_alias: https://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

3. 创建 conda 环境

使用以下命令创建一个名为 “tf” 的新 conda 环境。

conda create --name tf python=3.9

您可以使用以下命令停用和激活它。

conda deactivate

conda activate tf

确保在接下去的安装过程中已激活它。

4. GPU 设置

如果您只在 CPU 上运行 TensorFlow，则可以跳过此步骤。

使用以下命令验证Windows上是否已安装英伟达显卡驱动

nvidia-smi

先安装CUDA Toolkit using WSL-Ubuntu

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda-repo-wsl-ubuntu-12-1-local_12.1.1-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-12-1-local_12.1.1-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-12-1-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda

然后用 conda 和 pip 安装 CUDA 和 cuDNN。

conda install -c conda-forge cudatoolkit=11.8.0
pip install nvidia-cudnn-cu11==8.6.0.163

配置系统路径。每次激活 conda 环境后启动新终端时，都可以使用以下命令执行此操作。

CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/:$CUDNN_PATH/lib

为方便起见，建议您使用以下命令自动执行它。激活此 conda 环境时，将自动配置系统路径。

sudo mkdir -p $CONDA_PREFIX/etc/conda/activate.d
#如果跳过了第三节，则即使用sudo下面的命令也会报权限错误，需要在~/miniconda3/etc/conda/activate.d目录下新建env_vars.sh文件，将单引号中的内容复制到文件中
echo 'CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/:$CUDNN_PATH/lib' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh

5. 安装 TensorFlow

TensorFlow需要最新版本的pip，因此请升级您的pip安装以确保您运行的是最新版本。

pip install --upgrade pip

然后，用pip安装TensorFlow。

pip install tensorflow==2.12.0

注意：不要使用 conda 安装 TensorFlow。它可能没有最新的稳定版本。建议使用 pip，因为 TensorFlow 只正式发布到 PyPI。

6. 验证安装

验证 CPU 设置：

python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

如果返回张量，则表示您已成功安装 TensorFlow。

验证 GPU 设置：

python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

如果返回 GPU 设备列表，则表示您已成功安装 TensorFlow。

使用如下代码查看GPU数量：

python3 -c "import tensorflow as tf; print(len(tf.config.list_physical_devices('GPU')))"

之后要运行tensorflow需要先激活conda虚拟环境"tf"。

conda activate tf

7.JupyterLab安装

在conda的"tf"环境下执行

pip install jupyterlab --user

启动JupyterLab，可能刚安装的时候会显示command not found，重启一下Ubuntu即可。

jupyter-lab

JupyterLab启动成功：

点击红框中的链接即可打开JupyterLab:

蓝框中的信息已说明：使用Ctrl+C可以停止JupyterLab。