WSL2-Ubuntu深度学习环境配置指南：CUDA12.8、cuDNN、Anaconda与PyTorch完整安装与验证（小白也能轻松上手）

注意输出顶部显示的“CUDA Version”，这表示你的驱动最高可以支持的CUDA版本。虽然我们接下来要安装12.8版本，只要驱动支持的版本不低于12.8即可-7。

第二步：在WSL2-Ubuntu中安装CUDA 12.8 Toolkit

验证驱动无误后，我们开始在Ubuntu内安装CUDA Toolkit 12.8。这里推荐使用NVIDIA官方提供的deb网络安装方式，它最为省事且便于后续更新-2。

依次在终端中执行以下命令。第一条命令是下载并安装CUDA的GPG密钥包：

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.debsudo dpkg -i cuda-keyring_1.1-1_all.deb

接着，更新本地软件包列表，并安装cuda-toolkit-12-8：

sudo apt-get updatesudo apt-get -y install cuda-toolkit-12-8

等待安装完成后，最关键的一步是配置环境变量。CUDA 12.8默认安装在/usr/local/cuda-12.8目录下。我们需要将它的bin和lib64路径加入到系统环境变量中，这样才能直接使用nvcc等命令。使用nano编辑器打开你的用户配置文件~/.bashrc：

nano ~/.bashrc

在文件末尾添加以下两行：

export PATH=/usr/local/cuda-12.8/bin:$PATHexport LD_LIBRARY_PATH=/usr/local/cuda-12.8/lib64:$LD_LIBRARY_PATH

按Ctrl+X退出，按Y保存，然后按Enter确认。最后，使配置立即生效：

source ~/.bashrc

现在，验证CUDA是否安装成功：

nvcc -V

如果显示出CUDA 12.8的编译版本信息（如Cuda compilation tools, release 12.8, V12.8.61），那么恭喜你，CUDA安装和配置已大功告成-2-4。

第三步：安装cuDNN（深度学习加速库）

cuDNN（CUDA Deep Neural Network library）是NVIDIA专门用于深度神经网络的GPU加速库。我们需要安装与CUDA 12.8兼容的版本。继续在终端操作，首先同样需要导入密钥（如果上一步已经做过，此步可跳过，但为了保险可以再执行一次更新）：

sudo apt-get update

然后直接安装cudnn。对于CUDA 12.x，通常可以使用以下命令安装最新版的cuDNN-9：

sudo apt-get -y install cudnn

安装完成后，cuDNN的文件会自动链接到CUDA的安装目录中。我们可以通过查看cuDNN的版本来做一个简单的验证：

cat /usr/include/x86_64-linux-gnu/cudnn_version_v9.h | grep CUDNN_MAJOR -A 2

（注意：cuDNN的版本头文件路径可能略有不同，如果上面的命令找不到，可以尝试查找/usr/local/cuda/include/cudnn_version.h）。如果输出显示了版本号，则说明cuDNN安装成功-2。

第四步：安装Anaconda创建独立Python环境

Anaconda是一个出色的Python环境管理工具，可以让我们为不同的项目创建隔离的环境，避免包冲突。我们将在WSL2-Ubuntu中安装它-3。

首先，更新系统包并安装wget工具（如果还没有的话）：

sudo apt update && sudo apt upgrade -ysudo apt install wget -y

然后，前往Anaconda官网复制最新Linux版本的下载链接，或者在终端使用wget直接下载。以Anaconda3-2024.10-1版本为例（请根据实际最新版本调整）：

wget https://repo.anaconda.com/archive/Anaconda3-2024.10-1-Linux-x86_64.sh

下载完成后，运行脚本开始安装：

bash Anaconda3-2024.10-1-Linux-x86_64.sh

安装过程中，一直按Enter阅读许可协议，然后输入yes同意。接下来会提示安装路径，直接按Enter使用默认路径即可。最后，安装程序会询问“Do you wish the installer to initialize Anaconda3?”，这里一定要输入yes，这样Conda会自动添加到环境变量中-3-7。

安装完成后，关闭并重新打开终端，或者执行source ~/.bashrc使Conda生效。此时，命令行提示符前会出现(base)字样。为了不让base环境每次自动启动，可以运行：

conda config --set auto_activate_base False

然后再次source ~/.bashrc。现在，我们来创建一个专门用于PyTorch的虚拟环境，指定Python版本为3.10：

conda create -n pytorch_env python=3.10 -y

创建完成后，激活该环境：

conda activate pytorch_env

第五步：安装PyTorch并验证GPU可用性

终于到了最后一步——安装PyTorch。我们将在刚才创建的pytorch_env环境中进行。

访问PyTorch官网（pytorch.org），选择对应的配置。由于我们安装了CUDA 12.8，因此应选择CUDA 12.x或12.8的版本。官网会生成一个安装命令，通常如下所示：

pip install torch torchvision torchaudio

注意，如果使用pip，PyTorch的CUDA 12.8版本通常是通过预编译的wheel包支持的，命令可能类似pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128-7。为了确保最佳兼容性，也可以使用Conda安装（但Conda源中的CUDA版本可能略低）：

conda install pytorch torchvision torchaudio cudatoolkit=12.8 -c pytorch -c nvidia

这里我们选择使用pip方式，因为它通常能第一时间提供最新的CUDA 12.8支持-7。

等待安装完成后，最重要的验证环节到了。在终端中输入python进入Python交互环境，然后依次输入以下命令：

import torchprint(torch.version)print(torch.cuda.is_available())print(torch.cuda.get_device_name(0))

如果torch.cuda.is_available()返回True，并且最后一行正确打印出了你的GPU型号（如“NVIDIA GeForce RTX 3060”），那么恭喜你！整个WSL2-Ubuntu下的深度学习环境已经完美搭建成功-7。

总结

至此，我们一步步完成了在WSL2-Ubuntu中安装CUDA12.8、cuDNN、Anaconda以及PyTorch的全过程，并且通过了nvcc -V和PyTorch的GPU检测双重验证。现在，你可以在这个强大的环境中自由地进行深度学习研究和开发了。