WSL2 Ubuntu安装CUDA 12.8、cuDNN、Anaconda和PyTorch完整教程

WSL2 Ubuntu安装CUDA 12.8、cuDNN、Anaconda和PyTorch完整教程

从零开始搭建深度学习环境，小白也能轻松上手

本文将详细介绍在WSL2 Ubuntu系统中安装CUDA 12.8、cuDNN、Anaconda和PyTorch的完整步骤，帮助初学者快速搭建深度学习开发环境。关键词包括WSL2 CUDA安装、Ubuntu深度学习环境配置、cuDNN安装教程和Anaconda PyTorch安装，确保你在阅读过程中掌握核心要点。

前提条件

• Windows 10/11 系统，已安装WSL2和Ubuntu发行版（建议Ubuntu 22.04或20.04）。
• Windows主机已安装NVIDIA显卡驱动（版本需支持CUDA 12.8，建议最新驱动）。
• 稳定的网络连接，用于下载软件包。

第一步：检查WSL2和Ubuntu版本

打开WSL2终端，运行以下命令确认Ubuntu版本：

lsb_release -a

确保系统已更新：

sudo apt update && sudo apt upgrade -y

第二步：安装CUDA 12.8

在WSL2中，CUDA驱动依赖于Windows主机的驱动，因此我们只需要在Ubuntu内安装CUDA Toolkit。访问NVIDIA官网下载CUDA 12.8的Linux安装包（选择WSL-Ubuntu版本）。推荐使用deb本地安装方式：

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pinsudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600wget https://developer.download.nvidia.com/compute/cuda/12.8.0/local_installers/cuda-repo-wsl-ubuntu-12-8-local_12.8.0-1_amd64.debsudo dpkg -i cuda-repo-wsl-ubuntu-12-8-local_12.8.0-1_amd64.debsudo cp /var/cuda-repo-wsl-ubuntu-12-8-local/cuda-*-keyring.gpg /usr/share/keyrings/sudo apt-get updatesudo apt-get -y install cuda

安装完成后，需要将CUDA添加到环境变量。编辑~/.bashrc：

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：

nvcc --version

第三步：安装cuDNN

cuDNN是NVIDIA的深度神经网络加速库。首先从NVIDIA官网下载与CUDA 12.8匹配的cuDNN（需要注册账号）。下载cuDNN for CUDA 12.x的Debian包，例如：cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64.deb。然后安装：

sudo dpkg -i cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64.debsudo cp /var/cudnn-local-repo-*/cudnn-*-keyring.gpg /usr/share/keyrings/sudo apt-get updatesudo apt-get install libcudnn8 libcudnn8-dev

安装完成后，可以通过查看cuDNN版本来验证：

cat /usr/include/x86_64-linux-gnu/cudnn_version_v8.h | grep CUDNN_MAJOR -A 2

第四步：安装Anaconda

Anaconda可以方便地管理Python环境和包。下载Anaconda安装脚本：

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

按照提示完成安装，同意许可，选择安装路径，并选择是否初始化conda（推荐yes）。安装后重新打开终端或执行source ~/.bashrc使conda命令生效。验证：

conda --version

第五步：安装PyTorch

创建一个新的conda环境，例如pytorch_env：

conda create -n pytorch_env python=3.9conda activate pytorch_env

访问PyTorch官网获取适合CUDA 12.8的安装命令。通常可以使用：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

注意：CUDA 12.8对应cu124？通常PyTorch的CUDA 12.x版本使用cu124或cu121。根据PyTorch官网，CUDA 12.4可使用cu124。但CUDA 12.8应该兼容。如果使用conda安装，可以：

conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia

建议使用pip安装以获得最新版本。等待安装完成。

第六步：验证安装

在激活的conda环境中启动Python，执行以下代码：

import torchprint("PyTorch版本:", torch.version)print("CUDA是否可用:", torch.cuda.is_available())print("CUDA版本:", torch.version.cuda)print("GPU数量:", torch.cuda.device_count())if torch.cuda.is_available():    print("GPU名称:", torch.cuda.get_device_name(0))    x = torch.randn(3, 3).cuda()    print("张量移至GPU成功:", x)

如果输出显示CUDA可用且GPU名称正确，则说明CUDA、cuDNN和PyTorch均已成功安装。此外，可以测试cuDNN：

from torch.backends import cudnnprint("cuDNN可用:", cudnn.is_available())print("cuDNN版本:", cudnn.version())

总结

通过以上步骤，你在WSL2 Ubuntu中成功搭建了CUDA 12.8、cuDNN、Anaconda和PyTorch的深度学习环境。现在你可以开始进行模型训练和开发了。如果在安装过程中遇到问题，欢迎在评论区留言交流。