在WSL2-Ubuntu中搭建AI开发环境全指南（CUDA 12.8、cuDNN、Anaconda与PyTorch安装验证教程）

前提条件

在开始之前，请确保你已安装WSL2（Windows Subsystem for Linux 2）并配置了Ubuntu发行版（建议Ubuntu 20.04或更高版本）。同时，你的Windows系统需要支持GPU加速，并已安装最新的NVIDIA驱动程序。如果你尚未设置WSL2，请参考微软官方文档进行安装。

步骤1：安装CUDA 12.8

CUDA 12.8是NVIDIA的并行计算平台，为深度学习提供核心支持。首先，打开WSL2-Ubuntu终端，依次执行以下命令：

    wget https://developer.download.nvidia.com/compute/cuda/12.8.0/local_installers/cuda_12.8.0_550.54.15_linux.runsudo sh cuda_12.8.0_550.54.15_linux.run  

按照提示完成安装（推荐选择默认选项）。安装后，将CUDA路径添加到环境变量中：

    echo "export PATH=/usr/local/cuda-12.8/bin:$PATH" >> ~/.bashrcecho "export LD_LIBRARY_PATH=/usr/local/cuda-12.8/lib64:$LD_LIBRARY_PATH" >> ~/.bashrcsource ~/.bashrc  

验证CUDA安装：运行nvcc --version，如果输出CUDA版本信息，则表示安装成功。

步骤2：安装cuDNN

cuDNN是NVIDIA的深度学习加速库，优化了神经网络操作。访问NVIDIA官网下载cuDNN for CUDA 12.8（需要注册账户）。下载后，在终端中解压并复制文件：

    tar -xvf cudnn-linux-x86_64-8.x.x.x_cuda12-archive.tar.xzsudo cp cudnn--archive/include/cudnn.h /usr/local/cuda-12.8/include/sudo cp cudnn--archive/lib/libcudnn /usr/local/cuda-12.8/lib64/sudo chmod a+r /usr/local/cuda-12.8/include/cudnn*.h /usr/local/cuda-12.8/lib64/libcudnn*  

验证cuDNN安装：检查文件是否复制成功，或通过后续PyTorch测试间接验证。

步骤3：安装Anaconda

Anaconda是Python环境管理工具，方便创建虚拟环境。下载Anaconda安装脚本并运行：

    wget https://repo.anaconda.com/archive/Anaconda3-2024.02-1-Linux-x86_64.shbash Anaconda3-2024.02-1-Linux-x86_64.sh  

按照提示完成安装（建议同意将Anaconda加入PATH）。安装后，重启终端或运行source ~/.bashrc。验证安装：运行conda --version，应显示版本号。

步骤4：安装PyTorch

PyTorch是流行的深度学习框架。使用conda创建一个新环境并安装PyTorch for CUDA 12.8：

    conda create -n pytorch_env python=3.9 -yconda activate pytorch_envconda install pytorch torchvision torchaudio pytorch-cuda=12.8 -c pytorch -c nvidia  

如果你偏好pip，也可以使用pip命令安装。安装完成后，进入Python交互模式验证。

步骤5：验证安装

运行Python脚本检查CUDA和PyTorch是否正常工作：

    python -c "import torch; print(f"PyTorch版本: {torch.version}"); print(f"CUDA可用: {torch.cuda.is_available()}"); print(f"CUDA版本: {torch.version.cuda}")"  

如果输出显示CUDA可用且版本正确，恭喜你！你已成功在WSL2-Ubuntu中搭建了完整的深度学习环境。现在可以开始你的AI项目了！

总结

本教程涵盖了从CUDA 12.8到PyTorch的完整安装流程，重点强调了深度学习环境安装的关键步骤。如果在任何环节遇到问题，请参考官方文档或社区论坛。通过这个环境，你可以高效地进行模型训练和实验，享受GPU加速带来的便利。