WSL2 Ubuntu子系统安装cuda+cudnn+torch

原创

已于 2023-08-17 16:32:56 修改 · 2.2k 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#ubuntu #linux #运维

于 2023-08-14 17:02:29 首次发布

本文指导如何在WindowsWSL2环境下安装CUDA11.7.1、cudnn8.9.2.26，并通过pip安装PyTorch1.13.1版，适用于cuda11.7。步骤包括显卡驱动更新、下载并配置cuda和cudnn，以及安装和测试PyTorch。

文章目录

前言
一、安装cudn
二、安装cudnn
三、安装pytorch

前言

确保Windows系统版本高于windows10 21H2或Windows11，然后在Windows中将显卡驱动升级到最新即可，WSL2已支持对显卡的直接调用。
在这里插入图片描述

一、安装cudn

进入英伟达官网中的cuda下载地址：CUDA Toolkit 11.7 Update 1 Downloads | NVIDIA Developer

由于作者使用的是WSL-Ubuntu20.04长期支持版，所以按照以下配置来进行安装。

作者采用的是runfile（local）下载方式，因为此方式简单，原理为通过wget命令下载cuda安装包，通过sh命令解压安装cuda

在这里插入图片描述

wget https://developer.download.nvidia.com/compute/cuda/11.7.1/local_installers/cuda_11.7.1_515.65.01_linux.run
sudo sh cuda_11.7.1_515.65.01_linux.run

程序会进行解压和安装，速度会比

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weixin_46119406

关注关注

2
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【WSL2笔记2】搭建深度学习开发环境踩坑笔记 Ubuntu+CUDA+cuDNN+PyTorch+Tensorflow+ONNX

老富的博客

04-06

4473

错误的结果就是配置的所有虚拟环境都以base的python版本运行，无法配置每个虚拟环境使用不同python版本，失去了虚拟环境意义。至此，适用PyTorch、Tensorflow、cuDNN框架的深度学习开发环境搭建完成。WSL 上的 CUDA 用户指南。安装protobuf 3.2版本。Anaconda官网版本档案。下载Anaconda安装包。创建Python虚拟环境。设置Anaconda路径。需要注册账号登录下载。通过SSH传送WSL。

WSL2 中安装 cuDNN

热门推荐

qq_40102732的博客

12-24

2万+

WSL ubuntu安装CUDA、CUDNN、TensorRT最有效的安装，避坑指南，亲测可行

win11的ubuntu子系统 WSL2 下配置cuda、cudnn、GPU pytorch环境

syz201558503103的博客

02-07

1万+

这里写自定义目录标题1.安装Ubuntu子系统2.安装cuda环境3.安装conda新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 1.安装Ubuntu子系统 2.安装cuda环境 3.安装conda 你好！这是你第一次

wsl-Ubuntu18.04子系统使用cuda

jiyi_guoshu的博客

09-25

690

网上教程不全，自己更新了一下。wsl-Ubuntu18.04字体系统配置使用cuda;

使用WSL2安装ubuntu系统并配置深度学习环境

u013358093的博客

11-21

2376

wsl2安装ubuntu部署深度学习环境的方法

在WSL2-Ubuntu中安装CUDA12.8、cuDNN、Anaconda、Pytorch并验证安装

love530love的博客

03-07

1万+

记录工作提示：整个过程最好先开启系统代理，也可以用镜像源，确保有官方发布的最新特性和官方库的完整和兼容性支持。期间下载会特别慢，需要在系统上先开启代理，然后WSL设置里打开网络模式“Mirrored”,以设置WSL自动使用主机上的代理网络。【WLS2怎么设置网络自动代理 - CSDN App】https://blog.csdn.net/u014451778/article/details/146073726?

WSL2-Ubuntu20.04配置深度学习环境（CUDA、CUDNN、Pytorch）

AX642511931的博客

04-19

7293

WSL2-Ubuntu20.04配置深度学习环境（CUDA、CUDNN、Pytorch）一、前言现在网上的教程众说纷纭，都不是特别齐全，次帖旨在记录自己安装wsl2遇到的坑。二、安装WSL2 WSL2与WSL1有本质上的区别，由于整个架构的更换，WSL2能够很好的支持电脑的GPU，这也是为什么采用WSL2的原因。注：作者认为WSL2在windows11环境上才能更好运行（都是多次尝试后血的教训）第一步：首先保证自己电脑从来没有安装过WSL，因为如果之前电脑安装过WSL或者安装失败，再次安装会

weixin_43971236的博客

11-24

7680

WSL2系统创建及深度学习环境CUDA、cuDNN、Pytorch创建及使用

WSL Ubuntu 安装 CUDA 教程

engchina的专栏

02-14

1988

WSL Ubuntu 安装 CUDA 教程

windows10+WSL的ubuntu子系统cuda+cudnn安装与配置

夜雨狂歌如梦

06-11

5549

windows10==21H2+WSL2+CUDA==11.3.1+CUDNN==8.2.1 安装与配置

异构计算实战2：WSL2子系统Ubuntu安装CUDA

fairyfar的专栏

05-17

1315

本文是《异构计算实战》系列文章的第2篇，主要介绍了在Windows 11的WSL2子系统中为Ubuntu 22.04配置CUDA编程环境的步骤。首先，确保Windows系统正确安装了NVIDIA显卡驱动，并通过命令行验证CUDA版本。接着，在Ubuntu中安装CUDA Toolkit，选择适合的安装方式并执行安装程序。安装完成后，配置环境变量并检查CUDA是否正确安装。尽管在验证过程中遇到了nvidia-smi命令报错的问题，但文章提供了相关参考链接以帮助解决此类问题。

WSL2 安装cuda+cudnn+pytorch

ShaoPPP的博客

04-20

1182

Notes WSL2 对 cuda 有很好的支持，采样 proxy 的方式，直接使用 windows 的显卡驱动，所以不要在 WSL2 里面装驱动。如果装了需要手动删除(没装过就不用了)： sudo apt-get --purge remove “cublas” “cuda*” “nsight*” sudo apt-get --purge remove “nvidia” sudo rm -rf /usr/local/cuda* sudo apt autoremove 大约 cuda 11.4~11

[DL021]Windows预览版WSL2-Ubuntu2004安装Cuda11.1及Cudnn（亲测可用、流程清晰）

Know Yourself

02-08

3356

Windows预览版WSL2-Ubuntu20.04安装Cuda11.1及Cudnn

我准备使用windows+wsl的方案来完成深度学习模型的搭建，但是我已经在windows下安装好了cuda12.8和cudnn，如果使用方案1，是否需要重新安装cuda和cudnn？

03-29

<think>好的，我现在需要帮助用户解决关于在Windows + WSL环境下搭建深度学习模型时是否需要重新安装CUDA和CUDNN的问题。用户已经在Windows下安装了CUDA 12.8和CudNN，现在想知道如果选择方案1（可能指的是使用WSL），是否需要重新安装这些组件。首先，我需要回忆一下WSL的工作原理，特别是WSL 2的情况。WSL 2使用虚拟化技术，但能够与Windows系统进行一定程度的集成。微软和NVIDIA合作，允许在WSL中直接使用Windows的GPU驱动，这可能包括CUDA相关的组件。接下来，我需要确认CUDA在WSL中的支持情况。根据NVIDIA的官方文档，从某个版本开始，WSL 2支持直接调用Windows主机上的NVIDIA GPU驱动程序，这样在WSL内的Linux环境中不需要单独安装GPU驱动。但是，CUDA Toolkit和CudNN可能需要在WSL的Linux环境中重新安装，因为它们是用户层的库和工具，可能依赖于Linux系统的文件结构和环境。但这里有个细节需要注意：用户已经安装了CUDA 12.8和CudNN在Windows下。如果用户想在WSL中运行基于Linux的深度学习框架（比如PyTorch或TensorFlow），那么这些框架在WSL中会期望使用Linux版本的CUDA库。因此，可能需要在WSL的Linux发行版中安装对应版本的CUDA Toolkit和CudNN，即使Windows已经安装了它们。不过，也有可能通过某种路径映射让WSL访问Windows的CUDA，但通常不建议这样做，因为库文件的格式（Windows vs Linux）不同，可能会导致兼容性问题。此外，需要检查CUDA 12.8是否支持WSL。有时候，NVIDIA对WSL的支持可能会有版本要求，比如需要特定版本的CUDA Toolkit才能与WSL兼容。用户需要确认CUDA 12.8是否在支持范围内，或者是否需要安装其他版本。总结来说，用户可能需要在WSL的Linux环境中安装对应的CUDA Toolkit和CudNN，即使Windows已经安装了它们。但不需要在Windows中重新安装，只是需要在WSL内部进行安装。此外，驱动部分可能不需要，因为WSL会利用Windows的GPU驱动。不过，可能存在例外情况，比如某些工具链是否支持跨系统调用，或者是否有官方文档明确指出可以在WSL中使用Windows下的CUDA。这时候需要参考NVIDIA的官方指南。例如，NVIDIA的文档可能提到在WSL中需要安装特定版本的CUDA工具包，而不是复用Windows的安装。另外，用户可能需要配置环境变量，让WSL中的应用程序能够找到安装在Linux子系统的CUDA路径。而CudNN的安装通常涉及将库文件复制到CUDA的目录中，因此在WSL中同样需要执行这一步骤。可能的误区是认为WSL和Windows共享所有软件，但实际上，WSL运行的是一个独立的Linux用户空间，大部分软件需要单独安装。不过，GPU驱动是一个例外，由Windows提供，而CUDA Toolkit和CudNN属于应用层软件，需要分别安装。最后，建议用户查阅NVIDIA官方关于WSL的安装指南，确认具体的步骤，以及是否需要匹配特定版本的CUDA和CudNN。例如，可能CUDA 12.x有对WSL的专门支持，但需要按照指引在WSL中安装对应的包。</think>根据Windows + WSL的架构特性，以下是分步说明： ### 方案分析（基于Windows 11 + WSL2） 1. **GPU驱动层面** - 不需要在WSL中重复安装NVIDIA驱动 - Windows宿主机已安装的驱动会通过**NVIDIA GPU虚拟化组件**自动暴露给WSL - 验证命令：在WSL终端执行 `nvidia-smi` 应显示与Windows相同的驱动版本 2. **CUDA Toolkit层面** - **需要**在WSL的Linux环境中重新安装CUDA Toolkit - 原因：Windows版CUDA是.exe/.dll格式，而Linux深度学习工具链需要.so库文件 - 推荐通过官方源安装： ```bash 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 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/3bf863cc.pub sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/ /" sudo apt-get update sudo apt-get -y install cuda ``` 3. **cuDNN层面** - **需要**在WSL中独立安装Linux版cuDNN - 安装步骤： ```bash # 下载对应版本的.deb包后执行 sudo dpkg -i cudnn-local-repo-*.deb sudo apt update sudo apt install libcudnn8 libcudnn8-dev ``` ### 版本匹配建议 | 组件 | Windows宿主机 | WSL环境 | 是否必须一致 | |------------|--------------|-------------|------------| | GPU驱动 | ≥515.65 | 无独立驱动 | 是 | | CUDA Toolkit| 12.x | 同主版本号 | 建议保持一致 | | cuDNN | 8.9.x | 同精确版本 | 必须一致 | ### 验证流程 1. 在WSL终端执行： ```bash nvcc --version # 应显示WSL内安装的CUDA版本 nvidia-smi # 应显示Windows宿主机的驱动版本 ``` 2. 运行PyTorch测试： ```python import torch print(torch.cuda.is_available()) # 应输出True print(torch.version.cuda) # 应显示WSL内的CUDA版本 ``` ### 特殊场景处理如果遇到`CUDA driver version is insufficient`错误： 1. 升级Windows宿主机NVIDIA驱动到最新版 2. 确认WSL内CUDA Toolkit版本不高于驱动支持的最大版本 3. 执行 `sudo ldconfig` 刷新动态链接库缓存 > 最终结论：您**不需要**重新安装Windows端的CUDA/cuDNN，但必须在WSL的Linux环境中单独安装Linux版CUDA Toolkit和cuDNN，且建议保持主版本号一致（如Windows CUDA 12.x对应WSL CUDA 12.x）。