本文最后更新于 2025-01-18，文章内容可能已经过时。

要在 Windows 的 WSL2（Windows Subsystem for Linux 2）中使用 GPU 训练 TensorFlow 模型，您需要按照以下步骤进行配置：

确保系统满足要求

  • Windows 版本：需要 Windows 10 版本 21H2（内部版本 19044）或更高版本，或 Windows 11。
  • WSL2：确保已安装并启用了 WSL2。
  • GPU 驱动程序：安装最新的 NVIDIA GPU 驱动程序。

安装 WSL2 和 Ubuntu

在 PowerShell（以管理员身份运行）中执行以下命令安装 WSL 和 Ubuntu：

wsl --install -d Ubuntu

安装完成后，启动 Ubuntu，并按照提示设置用户名和密码。

安装 NVIDIA CUDA 工具包

在 Ubuntu 中，添加 NVIDIA CUDA 存储库并安装 CUDA 工具包：

sudo apt update
sudo apt install -y wget
wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/12.6.2/local_installers/cuda-repo-wsl-ubuntu-12-6-local_12.6.2-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-12-6-local_12.6.2-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-12-6-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda-toolkit-12-6

配置环境变量：

echo 'export PATH=/usr/local/cuda-12.6/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.6/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

验证 CUDA 安装：

nvcc -V

如果显示 CUDA 编译器版本信息，则表示安装成功。

安装 cuDNN

从 NVIDIA 开发者网站下载适用于 CUDA 版本的 cuDNN 库。
解压并将库文件复制到 CUDA 目录

tar -xzvf cudnn-linux-x86_64-*.tgz
sudo cp include/cudnn*.h /usr/local/cuda/include
sudo cp lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

也可以访问官网直接下载

Download Installer for Linux Ubuntu 24.04 x86_64

The base installer is available for download below.

Base Installer Download (1.2 GB)

Installation Instructions:

wget https://developer.download.nvidia.com/compute/cudnn/9.6.0/local_installers/cudnn-local-repo-ubuntu2404-9.6.0_1.0-1_amd64.debsudo 
dpkg -i cudnn-local-repo-ubuntu2404-9.6.0_1.0-1_amd64.deb
sudo cp /var/cudnn-local-repo-ubuntu2404-9.6.0/cudnn-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cudnn

To install for CUDA 11, perform the above configuration but install the CUDA 11 specific package:

sudo apt-get -y install cudnn-cuda-11

To install for CUDA 12, perform the above configuration but install the CUDA 12 specific package:

sudo apt-get -y install cudnn-cuda-12

验证 cuDNN 安装：

cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

如果显示 cuDNN 版本信息，则表示安装成功。

安装 Miniconda 并创建虚拟环境

下载并安装 Miniconda：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

创建并激活新的 Conda 环境：

conda create --name python-3.9 python=3.9 -y
conda activate python-3.9

安装 TensorFlow

在激活的 Conda 环境中，安装 TensorFlow：

pip install tensorflow

验证 TensorFlow 是否检测到 GPU：

python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

如果输出显示 GPU 设备列表，则表示配置成功。

请注意，TensorFlow 2.10 及更高版本已停止对 Windows 原生 GPU 的支持，建议在 WSL2 环境中进行配置。 CSDN博客

有关详细的安装步骤和注意事项，请参考以下资源：

按照上述步骤，您应能够在 Windows 的 WSL2 环境中成功配置并使用 GPU 来训练 TensorFlow 模型。

安装 PyTorch

在激活的 Conda 环境中，安装支持 GPU 的 PyTorch。

  • 根据 PyTorch 官方网站的指引，选择与您 CUDA 版本兼容的安装命令。例如，对于 CUDA 12.4，您可以执行：
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia

验证 PyTorch 是否检测到 GPU：

python -c "import torch; print(torch.cuda.is_available())"

如果输出为 True，则表示配置成功。

请注意，确保所安装的 CUDA、cuDNN 和 PyTorch 版本彼此兼容，以避免潜在的问题。有关详细的安装步骤和注意事项，请参考以下资源：