当前位置：首页 > 系统教程 > 正文

WSL2-Ubuntu深度学习环境搭建指南：安装Anaconda、CUDA 13.0、cuDNN 9.12与PyTorch（完整环境验证）

主机测评网
系统教程
2026-02-27
607

WSL2-Ubuntu深度学习环境搭建指南：安装Anaconda、CUDA 13.0、cuDNN 9.12与PyTorch（完整环境验证）

本文详细介绍在WSL2 Ubuntu深度学习环境中安装Anaconda、CUDA 13.0、cuDNN 9.12以及PyTorch的完整步骤，并包含环境验证，帮助初学者快速搭建GPU加速的深度学习开发环境。

1. 系统准备

确保Windows系统已安装WSL2并启用，且已安装Ubuntu发行版（如Ubuntu 22.04）。在Ubuntu终端中执行sudo apt update && sudo apt upgrade -y更新系统包。

2. 安装Anaconda

下载Anaconda安装脚本：wget https://repo.anaconda.com/archive/Anaconda3-2024.10-Linux-x86_64.sh（请根据最新版本调整）。运行安装：bash Anaconda3-*-Linux-x86_64.sh，按提示接受协议并选择安装路径。安装后执行source ~/.bashrc激活conda。验证：conda list应显示已安装包列表。

WSL2-Ubuntu深度学习环境搭建指南：安装Anaconda、CUDA 13.0、cuDNN 9.12与PyTorch（完整环境验证） WSL2 Ubuntu深度学习环境 CUDA 13.0安装教程 cuDNN 9.12配置 PyTorch GPU验证第1张

3. CUDA 13.0安装教程

访问NVIDIA官网下载CUDA Toolkit 13.0 for WSL-Ubuntu。选择runfile安装方式，例如：wget https://developer.download.nvidia.com/compute/cuda/13.0.0/local_installers/cuda_13.0.0_525.60.13_linux.run。运行安装：sudo sh cuda_13.0.0_*.run，按照提示取消安装驱动（WSL2使用Windows驱动），仅安装CUDA Toolkit。安装后添加环境变量：在~/.bashrc中添加export PATH=/usr/local/cuda-13.0/bin:$PATH和export LD_LIBRARY_PATH=/usr/local/cuda-13.0/lib64:$LD_LIBRARY_PATH，然后source ~/.bashrc。验证：nvcc --version应显示CUDA 13.0，nvidia-smi应显示GPU信息。

4. cuDNN 9.12配置

从NVIDIA官网下载cuDNN for CUDA 13.0，需要注册账号。选择cuDNN 9.12版本，下载cudnn-linux-x86_64-9.12.0.12_cuda13-archive.tar.xz。解压：tar -xvf cudnn-linux-x86_64-9.12.0.12_cuda13-archive.tar.xz。复制文件到CUDA目录：sudo cp cudnn--archive/include/cudnn.h /usr/local/cuda-13.0/include和sudo cp -P cudnn--archive/lib/libcudnn /usr/local/cuda-13.0/lib64，然后设置权限：sudo chmod a+r /usr/local/cuda-13.0/include/cudnn*.h /usr/local/cuda-13.0/lib64/libcudnn*。验证：cat /usr/local/cuda-13.0/include/cudnn_version.h | grep CUDNN_MAJOR -A 2应显示9.12相关信息。

5. 安装PyTorch并验证

创建conda环境：conda create -n pytorch_env python=3.10 -y，激活：conda activate pytorch_env。根据PyTorch官网选择CUDA 13.0版本安装命令（假设支持）：conda install pytorch torchvision torchaudio cudatoolkit=13.0 -c pytorch。如果官方未提供，可尝试从源码编译或使用pip安装夜间版。安装后，进行PyTorch GPU验证：python -c "import torch; print(torch.version); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"。应输出类似2.5.0 True Tesla T4，表明PyTorch能识别GPU。

6. 完整环境验证

编写简单脚本测试：

    import torchx = torch.rand(5, 3)print(x)if torch.cuda.is_available():    x = x.cuda()    print(x)    print("CUDA is available, GPU:", torch.cuda.get_device_name(0))else:    print("CUDA not available")

运行脚本，如果输出包含GPU信息，则环境配置成功。

总结：通过以上步骤，你在WSL2 Ubuntu深度学习环境中成功安装了Anaconda、CUDA 13.0、cuDNN 9.12以及PyTorch，并完成了PyTorch GPU验证。现在你可以开始深度学习项目了。