WSL2-Ubuntu深度学习环境搭建指南（Anaconda、CUDA13.0、cuDNN9.12及PyTorch全流程）

WSL2-Ubuntu深度学习环境搭建指南（Anaconda、CUDA13.0、cuDNN9.12及PyTorch全流程）

在当前的深度学习开发中，Windows Subsystem for Linux (WSL2) 已经成为了兼顾Windows易用性与Linux开发环境的首选方案。本文将为您详细讲解如何从零开始完成WSL2 CUDA安装，并配置最新的Ubuntu深度学习环境。

一、准备工作：更新WSL2与内核

首先，请确保您的Windows 10/11系统已开启WSL2支持。打开PowerShell（管理员），执行以下命令升级内核：

wsl --update

安装好Ubuntu（建议22.04 LTS）后，进入系统执行 sudo apt update && sudo apt upgrade 以确保系统软件包最新。

二、Anaconda的下载与安装

这篇Anaconda配置教程将引导您通过命令行完成安装。访问官网获取最新下载链接，或者在Ubuntu中使用wget下载：

wget https://repo.anaconda.com/archive/Anaconda3-2024.02-1-Linux-x86_64.sh# 执行安装程序bash Anaconda3-2024.02-1-Linux-x86_64.sh

按照提示输入 yes 并回车，安装完成后执行 source ~/.bashrc 激活conda环境。

三、安装 CUDA 13.0 工具包

对于WSL2，CUDA驱动是安装在Windows主机上的，而Toolkit则安装在Ubuntu内。前往NVIDIA官网选择CUDA 13.0的WSL-Ubuntu安装命令：

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-600# 接着执行官方给出的apt安装流程以部署CUDA 13.0

配置环境变量，在 ~/.bashrc 末尾添加：
export PATH=/usr/local/cuda-13.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-13.0/lib64:$LD_LIBRARY_PATH

四、部署 cuDNN 9.12 深度加速库

cuDNN 9.12 是对深度神经网络的进一步优化。下载对应的Debian包后，通过以下命令安装：

sudo dpkg -i cudnn-local-repo-ubuntu2204-9.1.2_1.0-1_amd64.debsudo cp /var/cudnn-local-repo-*/cudnn-*-keyring.gpg /usr/share/keyrings/

五、创建 PyTorch 环境并实现 GPU 加速

最后一步是配置Python环境并实现PyTorch GPU加速。创建一个名为 dl_env 的虚拟环境：

conda create -n dl_env python=3.11conda activate dl_env# 根据官网命令安装支持CUDA 13的PyTorchpip3 install torch torchvision torchaudio

六、环境完整验证

在终端中进入Python，输入以下代码验证配置是否成功：

import torchprint(f"CUDA是否可用: {torch.cuda.is_available()}")print(f"当前GPU名称: {torch.cuda.get_device_name(0)}")print(f"CUDA版本: {torch.version.cuda}")

如果输出 True 且显示了您的显卡型号，恭喜您，WSL2-Ubuntu 深度学习环境已大功告成！