1. 為什么要在 WSL2 里折騰 AI 開發(fā)環(huán)境1.1 一個真實的兩難處境做 AI 開發(fā)的人大概率都遇到過這個場景主力機是 Windows平時寫代碼、跑實驗、調模型都挺順手但一旦涉及某些深度學習框架的特定版本、CUDA 工具鏈、或者需要編譯一些 Linux 專屬的依賴庫Windows 原生環(huán)境就開始各種報錯。于是很多人被迫裝雙系統(tǒng)或者干脆再買一臺 Linux 機器切換來切換去效率低得讓人抓狂。我最早也是這么干的一臺 Windows 臺式機跑日常一臺裝了 Linux 的舊筆記本專門跑訓練。結果就是文件同步麻煩、遠程調試卡頓、GPU 資源還分散在兩臺機器上。后來 WSL2 出來之后我花了大概兩周時間把整套 AI 開發(fā)環(huán)境遷移過去實測下來穩(wěn)定性完全夠用而且 GPU 直通之后訓練速度跟原生 Linux 幾乎沒有差別。這篇文章就是把我這兩周踩過的坑、驗證過的配置、以及一些官方文檔里不會寫的細節(jié)完整地整理出來。不管你是剛接觸 WSL2 的新手還是已經用了一段時間但 GPU 一直沒跑通的老用戶應該都能從里面找到能直接抄作業(yè)的部分。1.2 WSL2 到底解決了什么問題先說清楚 WSL2 的本質。它不是虛擬機也不是簡單的兼容層而是微軟在 Windows 內核里內置的一個輕量級虛擬化方案跑的是一個真正的 Linux 內核。這一點非常關鍵因為 WSL1 時代最大的痛點就是系統(tǒng)調用翻譯不完整很多依賴特定內核行為的工具根本跑不起來。WSL2 直接給你一個完整內核Docker、systemd、各種編譯工具鏈都能正常工作。對于 AI 開發(fā)來說WSL2 的核心價值有三個。第一是內核級兼容你可以在里面裝 Ubuntu、裝 CUDA、裝 PyTorch跟在一臺原生 Linux 機器上操作沒有區(qū)別。第二是文件系統(tǒng)互通Windows 的盤符可以直接在 WSL2 里訪問反過來也一樣不用再折騰 Samba 或者共享文件夾。第三是GPU 直通這是最近兩年才成熟的能力NVIDIA 和微軟合作把 GPU 驅動直接透傳進 WSL2讓里面的 CUDA 程序能直接調用物理顯卡。注意GPU 直通需要 Windows 11 或者 Windows 10 的特定版本21H2 及以上而且必須是 WDDM 2.9 以上的驅動模型。老版本 Windows 10 可能能裝 WSL2但 GPU 直通會失敗。1.3 適合哪些人參考這套方案最適合三類人。第一類是Windows 主力機用戶不想換系統(tǒng)但需要 Linux 環(huán)境跑 AI 實驗。第二類是學生或者個人開發(fā)者只有一臺機器既要日常使用又要跑訓練。第三類是需要頻繁切換環(huán)境的工程師比如同時維護 Windows 端的工具鏈和 Linux 端的訓練腳本。如果你已經有成熟的 Linux 服務器或者云平臺那這套方案對你來說可能只是多了一個本地調試的選擇不是必須的。但如果你經常在沒有網絡的環(huán)境下工作或者對數(shù)據(jù)隱私比較敏感本地 WSL2 環(huán)境的價值就體現(xiàn)出來了。2. 環(huán)境準備與核心組件選型2.1 系統(tǒng)版本與硬件門檻在開始之前先確認你的機器滿足基本條件。操作系統(tǒng)方面Windows 11 任意版本都可以Windows 10 需要 21H2 或更高版本。查看方法很簡單按 WinR 輸入winver就能看到具體版本號。硬件方面CPU 需要支持虛擬化Intel VT-x 或者 AMD-V這個在 BIOS 里默認一般是開啟的但有些品牌機出廠會關掉需要手動進 BIOS 打開。內存建議至少 16GB因為 WSL2 默認會占用宿主機一半的內存如果你只有 8GB跑模型的時候會非常吃力。硬盤建議留出至少 100GB 的可用空間AI 開發(fā)環(huán)境加上數(shù)據(jù)集和模型文件很容易就吃掉幾十個 G。GPU 方面NVIDIA 顯卡需要是 GTX 10 系列及以上驅動版本要求 470 以上。AMD 顯卡目前 WSL2 的支持還不完善如果你用的是 AMD建議還是走原生 Linux 或者云平臺。Intel 核顯可以用來跑一些輕量級的推理但訓練基本不用考慮。項目最低要求推薦配置操作系統(tǒng)Windows 10 21H2Windows 11 22H2內存8GB32GB 及以上硬盤可用空間50GB200GB SSDGPUGTX 1060 6GBRTX 3060 12GB 及以上顯卡驅動470.x535.x 及以上2.2 WSL2 安裝的兩種路徑安裝 WSL2 現(xiàn)在有兩種方式。第一種是命令行一鍵安裝打開 PowerShell管理員權限輸入wsl --install系統(tǒng)會自動幫你啟用所需組件、下載內核、安裝默認的 Ubuntu 發(fā)行版。這種方式適合全新環(huán)境省事。第二種是手動分步安裝適合已經裝過 WSL 但版本混亂的情況。步驟是先啟用“適用于 Linux 的 Windows 子系統(tǒng)”和“虛擬機平臺”兩個功能然后下載 WSL2 內核更新包手動安裝最后通過 Microsoft Store 或者命令行指定發(fā)行版。我個人的建議是如果你之前從來沒裝過 WSL直接用一鍵安裝。如果已經裝過 WSL1 或者裝過又卸載了建議先執(zhí)行wsl --unregister把所有舊發(fā)行版清掉再重新走一遍流程避免殘留配置導致 GPU 直通失敗。# 查看當前 WSL 狀態(tài) wsl --status # 列出已安裝的發(fā)行版 wsl --list --verbose # 卸載指定發(fā)行版謹慎操作會刪除數(shù)據(jù) wsl --unregister Ubuntu-22.04 # 設置默認版本為 WSL2 wsl --set-default-version 22.3 發(fā)行版選擇Ubuntu 還是別的WSL2 支持的發(fā)行版不少Ubuntu、Debian、Fedora、openSUSE 都有。做 AI 開發(fā)我強烈建議選 Ubuntu具體版本選 22.04 LTS 或者 24.04 LTS。原因很簡單NVIDIA 的 CUDA 工具鏈、PyTorch 的官方 wheel、以及絕大多數(shù) AI 開源項目都是優(yōu)先適配 Ubuntu 的。你用 Debian 或者 Fedora 也能跑但遇到依賴問題的時候能搜到的解決方案會少很多。安裝指定版本的方法是在 PowerShell 里執(zhí)行wsl --install -d Ubuntu-22.04。裝完之后第一次啟動會讓你設置用戶名和密碼這個用戶名建議用全小寫不要帶特殊字符因為后面配置 SSH、Docker 的時候會用到。提示WSL2 的發(fā)行版默認安裝在 C 盤如果你 C 盤空間緊張可以在安裝前通過--location參數(shù)指定安裝路徑或者裝完之后用wsl --export和wsl --import遷移到其他盤。2.4 GPU 驅動與 CUDA 工具鏈的安裝邏輯這里有一個很多人會搞混的點WSL2 里的 GPU 驅動不需要在 Linux 里單獨安裝。你只需要在 Windows 宿主機上裝好 NVIDIA 的顯卡驅動WSL2 會自動通過/usr/lib/wsl/lib這個路徑把驅動透傳進去。如果你在 WSL2 里又裝了一遍 Linux 版的 NVIDIA 驅動反而會沖突導致 GPU 不可用。正確的做法是Windows 端裝好最新驅動然后在 WSL2 里只裝 CUDA Toolkit。CUDA Toolkit 的版本要根據(jù)你用的深度學習框架來定。比如 PyTorch 2.x 一般對應 CUDA 11.8 或者 12.1TensorFlow 2.15 對應 CUDA 12.2。裝之前先去框架官網查一下版本對應關系別裝錯了再重裝很浪費時間。# 在 WSL2 里驗證 GPU 是否可見 nvidia-smi # 如果輸出顯示 GPU 信息說明直通成功 # 如果報錯 command not found說明驅動沒透傳進來3. 核心細節(jié)解析與實操要點3.1 內存與 CPU 資源的精細化配置WSL2 默認會占用宿主機 50% 的內存和全部 CPU 核心這個默認值在跑大模型的時候會出問題。比如你宿主機 32GB 內存WSL2 默認拿 16GB但訓練一個 7B 參數(shù)的模型光模型權重加優(yōu)化器狀態(tài)就要 20GB 以上直接 OOM。解決辦法是在 Windows 用戶目錄下創(chuàng)建一個.wslconfig文件手動指定資源上限。這個文件的位置是C:\Users\你的用戶名\.wslconfig注意是 Windows 路徑不是 WSL2 里面的路徑。# .wslconfig 示例配置 [wsl2] memory24GB processors12 swap8GB localhostForwardingtrue # 如果用的是 NVIDIA GPU加上這一行確保驅動透傳 gpuSupporttrue這里解釋一下幾個參數(shù)的選擇邏輯。memory設成 24GB 是因為我宿主機有 32GB留 8GB 給 Windows 本身和日常軟件。processors設成 12 是因為我的 CPU 是 16 核留 4 核給宿主機。swap設成 8GB 是防止內存突然不夠的時候直接崩潰但要注意 swap 用的是硬盤速度比內存慢很多只能當保險用不能當常規(guī)內存使。改完.wslconfig之后需要執(zhí)行wsl --shutdown重啟 WSL2 才生效。重啟之后可以在 WSL2 里用free -h和nproc驗證配置是否生效。3.2 文件系統(tǒng)性能的關鍵取舍WSL2 的文件系統(tǒng)性能有一個非常重要的特性跨系統(tǒng)訪問文件的速度差異巨大。具體來說在 WSL2 里訪問 Linux 原生文件系統(tǒng)比如/home/user/project速度很快但訪問 Windows 掛載盤比如/mnt/c/Users/...速度會慢好幾倍。反過來也一樣在 Windows 里訪問 WSL2 的文件通過\\wsl$\路徑也不快。這個特性對 AI 開發(fā)的影響很大。如果你把數(shù)據(jù)集放在 Windows 的 D 盤然后在 WSL2 里讀取訓練IO 會成為瓶頸GPU 利用率可能只有 30% 到 40%。正確的做法是把數(shù)據(jù)集和代碼都放在 WSL2 的原生文件系統(tǒng)里需要跟 Windows 交換文件的時候再用/mnt/c或者\\wsl$\臨時拷貝。我實測過一個對比同樣一個 10GB 的數(shù)據(jù)集放在/mnt/d/data和放在/home/user/data用 PyTorch DataLoader 加載前者每個 epoch 要 180 秒后者只要 45 秒。差距非常明顯。注意WSL2 的原生文件系統(tǒng)在 Windows 里是通過\\wsl$\Ubuntu-22.04\home\user這樣的路徑訪問的但不要在里面直接跑訓練腳本性能同樣很差。只在需要拷貝文件的時候用。3.3 CUDA Toolkit 的安裝與版本管理CUDA Toolkit 的安裝方式有好幾種我推薦用 NVIDIA 官方提供的 apt 源來裝比手動下載 runfile 更干凈卸載也方便。具體步驟是先添加源然后apt install指定版本。# 添加 NVIDIA CUDA 源以 Ubuntu 22.04 為例 wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update # 安裝指定版本的 CUDA Toolkit sudo apt install cuda-toolkit-12-1 # 配置環(huán)境變量 echo export PATH/usr/local/cuda-12.1/bin:$PATH ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH ~/.bashrc source ~/.bashrc這里有個細節(jié)要注意cuda-toolkit-12-1這個包只裝工具鏈不裝驅動。如果你直接裝cuda這個元包它會嘗試裝 Linux 版驅動在 WSL2 里會出問題。所以一定要裝帶-toolkit-后綴的包。版本管理方面如果你需要同時用多個 CUDA 版本可以用update-alternatives來切換或者直接在腳本里臨時改PATH。我一般是在項目目錄下放一個env.sh里面寫清楚這個項目需要的 CUDA 版本跑之前 source 一下。3.4 Python 環(huán)境與深度學習框架的安裝策略Python 環(huán)境我強烈建議用 conda 或者 miniconda 來管理不要用系統(tǒng)自帶的 Python。原因是 AI 開發(fā)經常需要切換不同版本的框架conda 的環(huán)境隔離做得最干凈而且能自動處理 CUDA 相關的依賴。# 安裝 miniconda wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 創(chuàng)建專用環(huán)境 conda create -n ai python3.10 conda activate ai # 安裝 PyTorch以 CUDA 12.1 為例 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121裝完之后一定要驗證 GPU 是否可用import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0)) print(torch.cuda.get_device_capability(0))如果is_available()返回 False先檢查nvidia-smi在 WSL2 里能不能正常輸出。如果nvidia-smi正常但 PyTorch 檢測不到大概率是 PyTorch 版本和 CUDA 版本不匹配重新裝對應版本的 wheel 就行。4. 完整實操流程與關鍵環(huán)節(jié)實現(xiàn)4.1 從零開始的完整部署步驟假設你現(xiàn)在是一臺全新的 Windows 11 機器什么都沒裝下面是完整的部署流程。我按順序列出來每一步都說明為什么這么做。第一步更新 Windows 到最新版本然后裝好 NVIDIA 顯卡驅動。驅動去 NVIDIA 官網下載選 Studio 驅動而不是 Game Ready 驅動因為 Studio 驅動對 CUDA 的兼容性更穩(wěn)定。第二步以管理員身份打開 PowerShell執(zhí)行wsl --install -d Ubuntu-22.04。這一步會自動啟用虛擬化組件、下載 WSL2 內核、安裝 Ubuntu。裝完之后重啟電腦。第三步重啟后 Ubuntu 會自動啟動讓你設置用戶名和密碼。設置完成后先執(zhí)行sudo apt update sudo apt upgrade -y把系統(tǒng)更新到最新。第四步在 Windows 用戶目錄下創(chuàng)建.wslconfig文件按前面說的配置內存和 CPU。然后wsl --shutdown重啟。第五步重新進入 WSL2執(zhí)行nvidia-smi驗證 GPU 直通。如果能看到顯卡信息說明最關鍵的這一步成功了。第六步安裝 CUDA Toolkit 和 cuDNN。cuDNN 現(xiàn)在可以通過 apt 直接裝不需要手動下載。sudo apt install cudnn9-cuda-12第七步安裝 miniconda創(chuàng)建 Python 環(huán)境裝 PyTorch 或 TensorFlow。第八步驗證整個鏈路nvidia-smi能看到 GPUPython 里torch.cuda.is_available()返回 True跑一個小訓練腳本看 GPU 利用率能不能上去。4.2 GPU 直通失敗的排查路徑GPU 直通是這套方案里最容易出問題的環(huán)節(jié)。我遇到過好幾次nvidia-smi報錯的情況總結下來排查路徑是這樣的。先看 Windows 端的驅動版本。打開 NVIDIA 控制面板看驅動版本是不是 470 以上。如果低于這個版本先去官網更新。更新完之后一定要重啟電腦不重啟的話 WSL2 里可能還是舊驅動。再看 WSL2 內核版本。執(zhí)行wsl --status看內核版本如果太老去微軟官網下載最新的 WSL2 內核更新包手動安裝。然后檢查/usr/lib/wsl/lib這個目錄存不存在。如果不存在說明驅動透傳沒生效可能是 Windows 版本太低或者虛擬化沒開。# 檢查驅動透傳目錄 ls -la /usr/lib/wsl/lib # 檢查 nvidia-smi 的實際路徑 which nvidia-smi # 如果 nvidia-smi 不在 PATH 里手動加進去 export PATH/usr/lib/wsl/lib:$PATH還有一個坑是 Windows 的“虛擬機平臺”功能沒啟用。這個功能在“啟用或關閉 Windows 功能”里勾選之后要重啟。有些優(yōu)化軟件會把這個功能關掉導致 WSL2 雖然能跑但 GPU 不可用。4.3 訓練性能調優(yōu)的幾個關鍵參數(shù)環(huán)境跑通之后下一步是讓訓練跑得快。WSL2 環(huán)境下有幾個參數(shù)對性能影響很大。第一個是 DataLoader 的num_workers。在 WSL2 里這個值設成 CPU 核心數(shù)的 2 到 4 倍比較合適。比如你給 WSL2 分配了 12 核num_workers可以設成 24 到 48。但要注意設太大反而會因為進程切換開銷導致變慢需要實測找最優(yōu)值。第二個是pin_memory。在 WSL2 里這個參數(shù)建議設成 True能加快 CPU 到 GPU 的數(shù)據(jù)傳輸。但如果你發(fā)現(xiàn)內存占用異常高可以關掉試試。第三個是混合精度訓練。WSL2 的 GPU 直通對 FP16 和 BF16 的支持是完整的用torch.cuda.amp能明顯提升訓練速度顯存占用也能降下來。from torch.cuda.amp import autocast, GradScaler scaler GradScaler() for data, target in dataloader: optimizer.zero_grad() with autocast(): output model(data) loss criterion(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()我實測過一個 ResNet50 的訓練任務開啟混合精度之后每個 epoch 從 95 秒降到 62 秒提升大概 35%。顯存占用從 8.2GB 降到 5.6GB效果很直觀。4.4 日常開發(fā)工作流的搭建環(huán)境配好之后日常怎么用也很重要。我目前的工作流是這樣的代碼編輯器用 Windows 端的 VS Code通過 Remote-WSL 插件直接連到 WSL2 里編輯代碼。這樣既有 Windows 的圖形界面便利又能用 Linux 的運行環(huán)境。VS Code 的 Remote-WSL 插件裝好之后在 WSL2 里執(zhí)行code .就能直接打開當前目錄。終端、調試、Git 操作全都在 WSL2 環(huán)境里執(zhí)行跟原生 Linux 體驗一致。Jupyter Notebook 的話我是在 WSL2 里啟動 Jupyter Lab然后 Windows 瀏覽器通過localhost:8888訪問。WSL2 的 localhost 轉發(fā)是自動的不需要額外配置。# 在 WSL2 里啟動 Jupyter Lab jupyter lab --no-browser --port8888 # Windows 瀏覽器直接訪問 # http://localhost:8888文件傳輸方面小文件直接拖拽大文件用cp命令在/mnt/c和/home之間拷貝。但記住前面說的訓練用的數(shù)據(jù)集一定要放在 WSL2 原生文件系統(tǒng)里。5. 常見問題與排查技巧實錄5.1 高頻問題速查表下面這張表是我在實際使用中整理出來的高頻問題基本上覆蓋了 90% 的報錯場景。問題現(xiàn)象可能原因解決方法nvidia-smi報 command not found驅動透傳未生效檢查 Windows 驅動版本重啟 WSL2torch.cuda.is_available()返回 FalsePyTorch 與 CUDA 版本不匹配重裝對應 CUDA 版本的 PyTorch訓練時 GPU 利用率低于 50%數(shù)據(jù)加載瓶頸數(shù)據(jù)集移到 WSL2 原生文件系統(tǒng)調大 num_workersWSL2 內存占用持續(xù)增長不釋放緩存未回收在 .wslconfig 里設置 swap定期重啟 WSL2wsl --shutdown后配置不生效.wslconfig 路徑或格式錯誤確認文件在 Windows 用戶目錄格式為 INIapt 安裝 CUDA 時報依賴沖突源配置混亂清理舊源重新添加官方源訓練中途突然 OOM內存或顯存不足減小 batch size開啟梯度累積5.2 幾個官方文檔不會寫的坑第一個坑是 WSL2 的時鐘漂移。長時間運行之后WSL2 里的系統(tǒng)時間可能會跟宿主機不一致導致一些依賴時間戳的操作出錯。解決辦法是定期執(zhí)行sudo hwclock -s同步時間或者干脆重啟 WSL2。第二個坑是 Docker 在 WSL2 里的存儲位置。如果你在 WSL2 里裝 Docker鏡像和容器默認存在 WSL2 的虛擬硬盤里這個硬盤會隨著使用不斷膨脹而且不會自動收縮。我遇到過虛擬硬盤漲到 80GB 的情況明明里面只有 20GB 的數(shù)據(jù)。解決辦法是定期執(zhí)行wsl --shutdown然后用diskpart壓縮虛擬硬盤。第三個坑是多個 WSL2 發(fā)行版同時運行時的資源競爭。如果你裝了 Ubuntu 又裝了 Debian兩個同時跑的時候會搶內存和 GPU。建議只保留一個常用的發(fā)行版其他的用完就關掉。提示WSL2 的虛擬硬盤文件默認在C:\Users\你的用戶名\AppData\Local\Packages\下面文件名是ext4.vhdx。這個文件會越來越大建議定期檢查大小。5.3 性能監(jiān)控與日常維護環(huán)境跑起來之后日常監(jiān)控也很重要。我一般用nvidia-smi -l 1實時看 GPU 利用率用htop看 CPU 和內存用iotop看磁盤 IO。這三個工具配合起來基本能定位大部分性能問題。# 安裝監(jiān)控工具 sudo apt install htop iotop # 實時監(jiān)控 GPU nvidia-smi -l 1 # 查看 WSL2 資源占用 free -h df -h維護方面我每周會做一次清理sudo apt autoremove清理無用包conda clean -a清理 conda 緩存pip cache purge清理 pip 緩存。這些緩存加起來經常能占十幾個 G清理完能省不少空間。還有一個經驗是WSL2 跑久了之后性能會下降尤其是內存碎片化之后。我一般每周執(zhí)行一次wsl --shutdown讓它徹底重啟重啟之后性能能恢復到剛裝好的水平。這個操作不會丟數(shù)據(jù)但會關閉所有正在運行的任務所以要在不跑訓練的時候做。5.4 什么情況下不該用 WSL2雖然我一直在推薦 WSL2但也要說清楚它的邊界。如果你需要跑多卡訓練WSL2 目前對多 GPU 的支持還不完善建議還是用原生 Linux。如果你需要特定的內核模塊或者硬件直通比如某些采集卡、FPGAWSL2 也做不了。另外如果你的工作流嚴重依賴 Windows 端的某些專業(yè)軟件而且這些軟件跟 WSL2 的資源競爭很嚴重那可能雙系統(tǒng)或者兩臺機器更合適。WSL2 的優(yōu)勢在于輕量和便捷不是萬能的。我個人在實際操作中的體會是WSL2 最適合單卡、中小規(guī)模模型的開發(fā)調試和訓練。超過這個范圍還是老老實實上 Linux 服務器或者云平臺。但就日常開發(fā)來說WSL2 已經能覆蓋我 90% 的需求剩下的 10% 再用遠程服務器補上整體效率比之前雙系統(tǒng)切換高太多了。最后再分享一個小技巧如果你經常需要重建環(huán)境可以把整個配置過程寫成一個 shell 腳本從裝 CUDA 到裝 PyTorch 全部自動化。這樣換機器或者環(huán)境搞壞了的時候幾分鐘就能重新跑起來不用再一步步手動操作。