Windows + WSL2 + Docker + CudaToolkit：深度学习环境配置

在Windows系统上解锁GPU加速的深度学习开发

在人工智能与深度学习领域，GPU加速已成为模型训练与推理的必备条件。然而，对于许多开发者而言，Windows系统下的环境配置却是一大挑战。本文将详细介绍如何通过Windows + WSL2 + Docker + CudaToolkit的组合，搭建一个高效、可移植的GPU加速开发环境。

为什么选择Windows + WSL2 + Docker + CudaToolkit？

方案优势对比

对于使用Windows系统的AI开发者，通常面临一个困境：主力显卡在Windows环境下，但深度学习框架和工具链在Linux环境中更为成熟和稳定。传统的双系统方案需要频繁重启，而虚拟机方案则无法有效调用GPU进行CUDA计算。

随着微软推出WSL2并携手NVIDIA实现GPU透传支持，现在我们可以在不离开Windows环境的情况下，获得接近原生Linux的深度学习开发体验。其核心调用链路为：

Windows NVIDIA驱动 → WSL2 GPU透传 → Docker Desktop资源分配 → 容器内CUDA/cuDNN调用GPU。

案	GPU支持	CUDA兼容性	性能表现	易用性	是否需要重启
原生Ubuntu(双系统)	✅ 完整	✅ 优秀	⭐⭐⭐⭐⭐	⭐⭐ 一般	✅ 是
WSL2 + Docker (本方案)	✅ 完整	✅ 优秀	⭐⭐⭐⭐☆ (90%-95%)	⭐⭐⭐⭐⭐ 优秀	❌ 否
传统虚拟机	⚠️ 有限(需直通)	⚠️ 一般	⭐⭐ 较差	⭐⭐ 一般	✅ 是

环境准备与前提条件

在开始配置前，请确保你的系统满足以下要求：

硬件与系统要求

GPU硬件：必须是NVIDIA显卡（CUDA是NVIDIA专属技术），支持CUDA Compute Capability 3.5+（主流显卡均满足）。
Windows系统：Windows 10 21H2及以上或Windows 11（旧版本WSL2不支持GPU透传）。
内存建议：至少8GB，推荐16GB或以上，以供WSL2和Docker容器顺畅运行。

软件组件

WSL2：Windows Subsystem for Linux 2
Docker Desktop：用于管理容器化应用
NVIDIA驱动：支持WSL2 GPU透传的Windows版驱动
NVIDIA Container Toolkit：使Docker容器能够使用GPU

分步配置指南

1.WSL激活、离线升级

复制代码

dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart
重启设备
先下载这个，把wsl初步升级一下 https://wslstorestorage.blob.core.windows.net/wslblob/wsl_update_x64.msi
wsl --set-default-version 2
然后 升级wsl至最新版本 https://github.com/microsoft/WSL/releases/tag/2.6.2

2.WSL挂载Ubuntu系统

复制代码

下载这个 https://releases.ubuntu.com/noble/  然后运行安装就行
中间需要手动配置用户名和密码

复制代码

查看GPU驱动穿透是否正常
nvidia-smi

3. Docker Desktop安装

复制代码

https://www.docker.com/products/docker-desktop/

复制代码

配置一下存储

复制代码

配置WSL Ubuntu系统集成

4. Nvidia-Cuda-Toolkit 安装

复制代码

wsl
下载nvidia-container-toolkit 文件包 【https://pan.quark.cn/s/7c204585e76c】
cd ./nvidia-container-toolkit
sudo dpkg -i ./nvidia-container-toolkit/*
nvidia-docker

5. 测试案例

复制代码

docker pull nvidia/cuda:12.1.1-cudnn8-runtime-ubuntu22.04
docker images

复制代码

docker run --rm --gpus all nvidia/cuda:12.1.1-cudnn8-runtime-ubuntu22.04 nvidia-smi

这样就成功了