利用 Windows GPU 在 WSL2 中安装并配置 CUDA Toolkit

一、前提条件检查
- [1. 确认 WSL2 已启用](#1. 确认 WSL2 已启用)
- [2. 验证 Windows GPU 驱动支持 WSL](#2. 验证 Windows GPU 驱动支持 WSL)
[二、在 WSL2 中安装 CUDA Toolkit](#二、在 WSL2 中安装 CUDA Toolkit)
- [1. 添加 NVIDIA 官方软件源](#1. 添加 NVIDIA 官方软件源)
- [2. 安装 CUDA Toolkit（匹配驱动支持的版本）](#2. 安装 CUDA Toolkit（匹配驱动支持的版本）)
[三、配置 CUDA 环境变量](#三、配置 CUDA 环境变量)
四、验证安装
- [1. 检查 `nvcc` 版本](#1. 检查 nvcc 版本)
- [2. 检查 GPU 状态](#2. 检查 GPU 状态)
- [3.运行 CUDA 示例（可选）：](#3.运行 CUDA 示例（可选）：)
[五、（可选）安装 cuDNN（用于深度学习框架）](#五、（可选）安装 cuDNN（用于深度学习框架）)
- [1.下载 cuDNN](#1.下载 cuDNN)
- [2. 解压并复制文件](#2. 解压并复制文件)
- [3.验证 cuDNN](#3.验证 cuDNN)
[六、安装NVIDIA Container Toolkit](#六、安装NVIDIA Container Toolkit)
七、常见问题解决
- [1. nvcc: command not found](#1. nvcc: command not found)
- [2. 编译报错 "unsupported GNU version"](#2. 编译报错 “unsupported GNU version”)

要在 WSL2（Ubuntu 22.04） 中使用 GPU，需依赖 Windows 的 NVIDIA 驱动 提供硬件支持，并在 WSL 内安装 CUDA Toolkit 及配置环境。

一、前提条件检查

1. 确认 WSL2 已启用

bash 复制代码

# 打开 PowerShell（管理员），运行
wsl -l -v

确保 Ubuntu-22.04 的 VERSION 为 2。若为 1，转换为 WSL2：

wsl --set-version Ubuntu-22.04 2
wsl --set-default-version 2 # 设置默认版本为 WSL2

2. 验证 Windows GPU 驱动支持 WSL

bash 复制代码

# 在 WSL 终端运行
nvidia-smi

若输出 Driver Version （如 572.40）和 CUDA Version （如 12.8），说明驱动已支持 WSL，无需额外安装 Windows 驱动。

二、在 WSL2 中安装 CUDA Toolkit

1. 添加 NVIDIA 官方软件源

bash 复制代码

# 下载并配置仓库优先级
sudo 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
# 添加 GPG 密钥
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86\_64/3bf863cc.pub
# 添加 CUDA 仓库
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86\_64/ /"
# 更新软件源
sudo apt update

2. 安装 CUDA Toolkit（匹配驱动支持的版本）

Windows nvidia-smi 显示的 CUDA Version（如 12.8）是驱动支持的最高版本，因此 WSL 中可安装 ≤12.8 的 CUDA 版本（推荐与 Windows 一致的 12.4，或最新兼容版 12.8）：

安装 CUDA 12.4

sudo apt install cuda-toolkit-12-4
若安装 12.8（需仓库支持）

sudo apt install cuda-toolkit-12-8
若遇依赖问题，先安装 gcc/g++（Ubuntu 22.04 默认版本 11 兼容 CUDA 12.4）

sudo apt install gcc g++

三、配置 CUDA 环境变量

编辑 Shell 配置文件（如 ~/.bashrc）：

bash 复制代码

vim ~/.bashrc

在文件末尾添加以下内容（根据安装的 CUDA 版本修改 cuda-12.4）：

bash 复制代码

# CUDA 环境变量
export CUDA\_HOME=/usr/local/cuda-12.4
export PATH=\$CUDA\_HOME/bin:\$PATH
export LD\_LIBRARY\_PATH=\$CUDA\_HOME/lib64:\$LD\_LIBRARY\_PATH

保存并退出（Ctrl+X → Y → Enter），然后使配置生效：

bash 复制代码

source ~/.bashrc

四、验证安装

1. 检查 `nvcc` 版本

bash 复制代码

nvcc --version

若输出 Cuda compilation tools, release 12.4（或对应版本），说明安装成功。

2. 检查 GPU 状态

bash 复制代码

nvidia-smi

应与 Windows 中运行的 nvidia-smi 输出一致（如 GPU 型号、驱动版本）。

3.运行 CUDA 示例（可选）：

bash 复制代码

# 进入示例目录
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
# 编译（需安装 make）
sudo apt install make && make
# 运行测试
./deviceQuery

若输出 Result = PASS，说明 GPU 可被 CUDA 调用。

五、（可选）安装 cuDNN（用于深度学习框架）

若需运行 PyTorch、TensorFlow 等框架，需安装 cuDNN

1.下载 cuDNN

前往 NVIDIA cuDNN 官网，登录后选择与 CUDA 版本匹配 的 cuDNN（如 CUDA 12.4 对应 cuDNN 8.9+），下载 Linux x86_64 版本的压缩包。

2. 解压并复制文件

bash 复制代码

# 假设下载到 ~/Downloads，解压
cd ~/Downloads
tar -xvf cudnn-linux-x86_64-8.9.2.26_cuda12-archive.tar.xz
cd cudnn-linux-x86_64-8.9.2.26_cuda12-archive

# 复制头文件和库文件到 CUDA 目录
sudo cp include/cudnn*.h /usr/local/cuda/include
sudo cp lib/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

3.验证 cuDNN

安装深度学习框架后，运行代码测试 GPU 是否可用（以 PyTorch 为例）

python 复制代码

import torch
print(torch.cuda.is_available())  # 应输出 True

六、安装NVIDIA Container Toolkit

Docker 默认不支持 GPU 访问，需要安装 NVIDIA 提供的容器工具包，在 WSL2 的 Ubuntu 环境中执行以下命令安装 NVIDIA Container Toolkit

bash 复制代码

# 添加 NVIDIA 包仓库和 GPG 密钥
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

# 更新包索引并安装 nvidia-docker2
sudo apt-get update
sudo apt-get install -y nvidia-docker2

# 重启 Docker 服务
sudo systemctl restart docker

验证 NVIDIA 驱动兼容性，确认 WSL2 中的驱动版本与 Windows 主机一致

bash 复制代码

# 在 WSL2 中检查
nvidia-smi
# 在 Windows PowerShell 中检查
nvidia-smi

两个环境中的驱动版本应当完全一致。如果不一致，更新 Windows 驱动到最新版本并重启 WSL2

powershell 复制代码

# 在 Windows PowerShell 中执行
wsl --shutdown

配置 Docker 默认运行时（可选），编辑 Docker 配置文件 /etc/docker/daemon.json，添加以下内容：

json 复制代码

{
    "runtimes": {
        "nvidia": {
            "path": "nvidia-container-runtime",
            "runtimeArgs": []
        }
    },
    "default-runtime": "nvidia"  # 可选，设置为默认运行时
}

保存后重启 Docker

bash 复制代码

sudo systemctl restart docker

七、常见问题解决

1. nvcc: command not found

检查环境变量：echo $PATH 是否包含 /usr/local/cuda-12.4/bin。
确认 CUDA 安装：dpkg -l | grep cuda，若未安装则重新执行 sudo apt install cuda-toolkit-12-4。

2. 编译报错 "unsupported GNU version"

Ubuntu 22.04 默认 GCC 11 兼容 CUDA 12.4，若仍报错，添加编译参数

bash 复制代码

nvcc test.cu -o test -allow-unsupported-compiler

利用 Windows GPU 在 WSL2 中安装并配置 CUDA Toolkit

目录

一、前提条件检查

1. 确认 WSL2 已启用

2. 验证 Windows GPU 驱动支持 WSL

二、在 WSL2 中安装 CUDA Toolkit

1. 添加 NVIDIA 官方软件源

2. 安装 CUDA Toolkit（匹配驱动支持的版本）

三、配置 CUDA 环境变量

四、验证安装

1. 检查 nvcc 版本

2. 检查 GPU 状态

3.运行 CUDA 示例（可选）：

五、（可选）安装 cuDNN（用于深度学习框架）

1.下载 cuDNN

2. 解压并复制文件

3.验证 cuDNN

六、安装NVIDIA Container Toolkit

七、常见问题解决

1. nvcc: command not found

2. 编译报错 "unsupported GNU version"

1. 检查 `nvcc` 版本