WSL2-Ubuntu深度学习环境搭建全攻略（Anaconda、CUDA13.0、cuDNN9.12及PyTorch安装与验证教程）

前提条件

确保已安装WSL2并配置Ubuntu发行版（建议Ubuntu 20.04 LTS）。在Windows中启用WSL2功能，并从Microsoft Store安装Ubuntu。打开Ubuntu终端，更新系统包列表：sudo apt update && sudo apt upgrade -y。

步骤一：安装Anaconda

Anaconda简化了Python环境管理。下载并安装Anaconda：wget https://repo.anaconda.com/archive/Anaconda3-2024.02-1-Linux-x86_64.sh && bash Anaconda3-2024.02-1-Linux-x86_64.sh。按照提示完成安装，重启终端或运行source ~/.bashrc激活conda。

步骤二：安装CUDA 13.0

CUDA是NVIDIA的并行计算平台，对加速深度学习环境至关重要。在WSL2中安装时，需使用本地安装包。下载CUDA 13.0：wget https://developer.download.nvidia.com/compute/cuda/13.0.0/local_installers/cuda_13.0.0_linux.run，然后运行sudo sh cuda_13.0.0_linux.run。安装中接受许可协议，选择默认选项。完成后，添加环境变量：echo "export PATH=/usr/local/cuda-13.0/bin:$PATH" >> ~/.bashrc && echo "export LD_LIBRARY_PATH=/usr/local/cuda-13.0/lib64:$LD_LIBRARY_PATH" >> ~/.bashrc && source ~/.bashrc。

步骤三：安装cuDNN 9.12

cuDNN优化了深度学习操作。从NVIDIA官网下载cuDNN 9.12 for CUDA 13.0（需注册）。解压并复制文件：tar -xzvf cudnn-9.12-linux-x64-v7.tgz && sudo cp cuda/include/cudnn*.h /usr/local/cuda/include && sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 && sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*。

步骤四：安装PyTorch

PyTorch是流行的深度学习框架。使用conda创建环境：conda create -n pytorch_env python=3.9 && conda activate pytorch_env。安装PyTorch与CUDA 13.0兼容版本：conda install pytorch torchvision torchaudio cudatoolkit=13.0 -c pytorch。

步骤五：环境验证

验证CUDA安装：运行nvcc --version，应显示CUDA 13.0。验证PyTorch能否使用CUDA：python -c "import torch; print(torch.version); print(torch.cuda.is_available())"。如果输出版本号并显示True，则环境配置成功。还可以测试cuDNN：python -c "import torch; print(torch.backends.cudnn.version())"，应返回9.12或类似版本。

总结

通过本教程，你已在WSL2-Ubuntu中成功搭建了包含Anaconda、CUDA13.0、cuDNN9.12及PyTorch的深度学习环境。这为开发AI项目奠定了基础。如有问题，参考官方文档或社区论坛。祝你开发顺利！