docker wsl2启动不了_在wsl2中使用GPU

盼望着，盼望着，wsl2终于支持GPU了！之前预热了好久，一直等待着能正式上车，今天终于如愿以偿。关于wsl2的背景，关心的朋友大都知道，我就废话少说，直接来在wsl2上装CUDA！（不会真有人用AMD来炼丹吧。。

Windows侧驱动安装

1. 首先需要升级到最新的fast预览版，版本号为20150，正好是618这天更新的，上车方法为参与Windows预览体验计划，选择fast ring，然后检查更新即可。
2. 其次需要装好wsl2，这个就不用赘述了。
3. 为了使用CUDA，我们还需要安装最新的测试版Nvidia驱动（需要申请一下Nvidia开发者账号，装过CuDnn的朋友们大多都有），下载链接如下：

CUDA on WSL​developer.nvidia.com

Linux侧环境配置

好了，准备工作做完了，如果你是AMD的GPU，那恭喜你，可以直接开始炼丹了。如果是Nvidia的GPU，根据NV的说法，在linux上build的CUDA程序可以直接运行，但是我手头并没有linux的机器，而且NV更推荐使用docker来配置CUDA，所以在此直接介绍基于docker的方案。

首先安装docker：

$ curl https://get.docker.com | sh

添加NV的docker源：

$ distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
$ curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
$ curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
$ curl -s -L https://nvidia.github.io/libnvidia-container/experimental/$distribution/libnvidia-container-experimental.list | sudo tee /etc/apt/sources.list.d/libnvidia-container-experimental.list

然后安装NV的docker runtime：

$ sudo apt update
$ sudo apt install -y nvidia-docker2

重启一下docker服务：

$ sudo service docker stop
$ sudo service docker start

安装合适的CUDA docker镜像

既然NV的GPU是通过docker实现GPU支持，那自然所有配置好了CUDA环境的镜像都是可以直接使用的。NV的文档中给出了TensorFlow的官方docker镜像例子，如果需要使用TF可以安装并运行这一镜像：

$ docker pull tensorflow/tensorflow:latest-gpu-py3-jupyter
$ docker run -it --gpus all -p 8888:8888 tensorflow/tensorflow:latest-gpu-py3-jupyter

这里一定需要添加--gpus all的参数，才能支持GPU，安装运行后，在浏览器打开localhost:8888/?token=xxxxxxxxxx即可直接使用启用GPU支持的Jupyter notebook，效果如下：

如果不需要使用TF，而是像我一样需要在julia中使用CUDA.jl，则需要重头开始新建一个环境。由于CUDA.jl安装时会自动安装CUDA，CUDNN以及CUTENSOR等而不依赖系统，为了方便我直接使用了nvidia/cuda:10.2-base这一docker镜像（仅有41M）作为底包。之所以不直接用ubuntu是因为nvidia提供的底包里面添加了自己的源哈哈哈。 如果有其他包的需求可以看cuda镜像的tag，链接在此：https://ngc.nvidia.com/catalog/containers/nvidia:cuda/tags

$ docker pull nvidia/cuda:10.2-base
$ docker run -it --gpus all nvidia/cuda:10.2-base /bin/bash

进来以后直接就是root环境，然后就可以开始配置你自己的开发环境了，新建用户，安装build-essential，julia等，和普通ubuntu没有任何差异。配置完成后千万千万记住要commit，保存对原镜像的修改。需要使用docker ps 和docker tag 等命令，在此不再赘述。

好了，大功告成！来看看效果吧：

还有更多有关的细节可以参考以下链接：

CUDA Toolkit Documentation​docs.nvidia.com

DirectX ❤ Linux | DirectX Developer Blog​devblogs.microsoft.com

Announcing CUDA on Windows Subsystem for Linux 2 | NVIDIA Developer Blog​devblogs.nvidia.com

https://devblogs.microsoft.com/commandline/gpu-compute-wsl-install-and-wsl-update-arrive-in-the-windows-insiders-fast-ring-for-the-windows-subsystem-for-linux/​devblogs.microsoft.com