WSL安装Ubuntu22.04，以及深度学习环境的搭建

安装WSL

安装 WSL 2 之前，必须启用"虚拟机平台"可选功能。计算机需要虚拟化功能才能使用此功能。

以管理员身份打开 PowerShell 并运行：

python 复制代码

dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

下载 Linux 内核更新包:l链接：

https://wslstorestorage.blob.core.windows.net/wslblob/wsl_update_x64.msi

下载完成后更新。

将 WSL 2 设置为默认版本，命令：

python 复制代码

wsl --set-default-version 2

打开 Microsoft Store，搜索WSL，选择你偏好的 Linux版本。

我选择的是Ubuntu22.04版本。点进去就可以看到下载链接

下载即可。下载完成后，启动系统，配置用户名和密码。

输入nvidia-smi，检查是否能找到显卡，正常情况，如下图：

一些问题

WslRegisterDistribution failed with error: 0x8007019e The Windows Subsystem错误的解决方案

执行命令

python 复制代码

Enable-WindowsOptionalFeature -Online -FeatureName Microsoft-Windows-Subsystem-Linux

回车，输入Y或者y，然后系统重启。

输入nvidia-smi，显示不正确

这个有可能是wsl的版本不对，出现这种情况是Window的版本太低了！升级到21H2或者Win11。

也可以通过观察Ubuntu的版本，如下图：

如果wsl的版本是1.0的，内核是4.XXX。

也可以使用命令，查看wsl版本，在PowerShell里输入：

复制代码

wsl -l -v

红框里的是2，就正确了！如果是1，则要重新安装Ubuntu。

执行命令：

复制代码

wsl --list

查找wsl的列表。

复制代码

wsl --unregister Ubuntu-22.04

注销列表中显示的Ubuntu系统

然后，重新打开Ubuntu系统。

注：WSL系统使用的显卡驱动是Win系统的驱动，所以不用安装驱动！

安装CUDA

安装gcc，执行命令：

复制代码

sudo apt update
sudo apt install build-essential

输入Y。

链接：https://developer.nvidia.com/cuda-toolkit-archive

我选用的是12.1版本，如下图：

执行命令：

复制代码

wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda_12.1.1_530.30.02_linux.run
sudo sh cuda_12.1.1_530.30.02_linux.run

输入accept。

选择安装的组件，不用安装驱动！

选择Install。

安装完成

接下来，配置环境变量输入vim ~/.bashrc命令打开文件，在文件结尾输入以下语句，保存。

复制代码

export PATH=/usr/local/cuda-12.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

然后，点击保存后关闭文档，然后执行命令source ~/.bashrc。

至此cuda安装完成，输入nvcc -V命令查看cuda信息。

安装cuDNN

链接：https://developer.nvidia.com/rdp/cudnn-archive

打开连接，选择CUDA 12.x，这里要和安装的CUDA版本对上！

点击上图红框的位置，就可以看到下图的列表，选择对应的文件，单击后就可以下载，如下图：

在地址栏输入"\wsl$"，然后点击Enter键。打开Ubuntu22.04的目录！

然后，找到home路径，如下图:

将下载的cudnn复制到用户名的路径下，如下图：

然后，执行安装命令，命令如下：

复制代码

 sudo dpkg -i cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64.deb

等待cuDNN安装包仓库安装完毕后，最后几行会输出一个添加密钥的命令，类似下面。我们执行输出的那个命令：

执行命令：

复制代码

sudo cp /var/cudnn-local-repo-ubuntu2204-8.8.0.121/cudnn-local-B66125A0-keyring.gpg /usr/share/keyrings/

更新apt源，让apt包管理器能够找到刚刚安装的cuDNN安装包仓库：

bash 复制代码

sudo apt update

准备安装cuDNN，先查找一下cuDNN安装包仓库中包含的cuDNN深度学习库有哪些版本：

bash 复制代码

sudo apt list libcudnn*

安装cuDNN库，执行命令：

bash 复制代码

sudo apt install libcudnn8-dev libcudnn8-samples

检查一下cuDNN的动态库文件是否安装到位，执行命令：

bash 复制代码

readelf -d /usr/lib/x86_64-linux-gnu/libcudnn.so | grep SONAME

检查libcudnn8-dev是否安装成功，执行命令：

bash 复制代码

cat /usr/include/cudnn_version.h | grep CUDNN_

编译一下cuDNN的示例代码。如果能成功编译并运行，代表你的CUDA工具链和cuDNN库全部正常工作。

bash 复制代码

# 复制示例代码到$HOME目录下，然后进入该目录
cp -r /usr/src/cudnn_samples_v8/ ~
cd ~/cudnn_samples_v8/
 
# 试着编译一份卷积运算的示例代码
cd conv_sample/
# 用apt安装的cuDNN头文件和库目录位置与Makefile中给定的默认位置不同，
# 因此我们先手动指定位置后再make
CUDNN_INCLUDE_PATH=/usr/include/ CUDNN_LIB_PATH=/usr/lib/x86_64-linux-gnu/ make
 
# 编译完成后，执行编译出的二进制文件，进行卷积运算测试
./conv_sample
 
# 运行更多的卷积运算测试案例
source run_conv_sample.sh

运行结果：