（一）深度学习之环境配置

前言

想要学习深度学习的知识，没有一个完善的开发环境怎么能行？本篇基于本人的使用习惯，分享使用 vscode + WSL 配置最基础的深度学习环境的方法。其中涉及到 CUDA，MiniConda，cuDNN， Pytorch 的安装。

1. WSL 配置

WSL是 “Windows Subsystem for Linux” 的缩写，是 Windows 系统的 Linux 子系统。
相比于在传统的虚拟机上搭建 Linux 环境，WSL 有如下几点优势：

与在虚拟机下使用 Linux 相比，WSL 更加流畅。
WSL 可以对 Windows 文件系统下的文件直接进行读写，文件传输更方便。
剪贴板互通，可以直接在 Windows 下其它地方复制文本内容，粘贴到 WSL。

要想使用 WSL ，Windows 系统需要是 win10 或者 win11 。（本人系统为 win11 专业版）

1.1 开启 WSL 功能

在 windows 下使用 WSL 有两种方法：

第一种：

以管理员身份打开 Windows PowerShell ，输入下面的指令。指令执行完后，重启电脑。

Enable-WindowsOptionalFeature -Online -FeatureName Microsoft-Windows-Subsystem-Linux

第二种：

打开控制面板找到图中功能，打开保存后重启电脑即可。

图1-1

1.2 *开启 WSL2 功能

“ WSL1 和 WSL2 之间的主要区别在于，在托管 VM 内使用实际的 Linux 内核、支持完整的系统调用兼容性以及跨 Linux 和 Windows 操作系统的性能。 WSL 2 是安装 Linux 发行版时的当前默认版本，它使用最新最好的虚拟化技术在轻量级实用工具虚拟机 (VM) 内运行 Linux 内核。”

（描述来自官方文档）

有些系统的版本太低，需要先更新 Windows 版本才能使用。

安装 WSL2 之前，必须启用“虚拟机平台”可选功能。计算机需要虚拟化功能才能使用此功能。以管理员身份打开 PowerShell 并运行：

dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

然后设定 WSL 默认版本为 2。

wsl --set-default-version 2

1.3 安装 Ubuntu 系统

安装 ubuntu 源也有多种方法，可以通过 Microsoft Store 安装，也可以使用 PowerShell 使用指令安装。

本文主要介绍第一种安装方法：

请先确保 C盘有16G 左右的运行空间！在后面我们会迁出数据到其他盘，但是开始时需要先安装在 C盘。

打开 Microsoft Store ，搜索 Ubuntu ，建议选择下载 Ubuntu 20.04.6 LTS 版本，等待下载完成后直接打开就可以了。

第一次需要你输入用户名和密码，注意，用户名的首字母不能大写！

输入以下代码检查是否能出现 Ubuntu 配置即可。

wsl -l -v

图1-2

之后就可以很方便的在 PowerShell 新建 Ubuntu 的控制界面了。

图1-3

1.4 数据迁出 C盘

如果你是通过指令安装的，则可以跳过这一步。

由于 Linux 的内核默认装在 C盘，之后只会越来越臃肿，挤占系统盘空间，所以建议分到其他盘符去。

打开命令行，依次输入：

关闭 WSL 子系统：

wsl --shutdown

导出 Ubuntu：

wsl --export Ubuntu-xx.xx E:\Ubuntu\ubuntu.tar

xx.xx 为版本号，本人为 20.04。导出路径自己定义

注销先前的系统：

wsl --unregister Ubuntu-20.04

导入备份好的包：

wsl --import Ubuntu-xx.xx E:\Ubuntu\ E:\Ubuntu\ubuntu.tar --version 2

前一个路径为导出路径，后一个为备份所在路径。

重启 WSL 即可。

1.5 *linux 下载换源

大部分 linux 发行版的服务器都在国外所以下载速度都会很慢，使用国内的镜像下载速度就快很多。这一方面就不再多说，自己上网查询。

指路：

2. CUDA 安装

首先需要知道自己的电脑是否具有使用 CUDA 的条件。

在命令行中输入：

nvidia-smi

图2-1

红笔位置就是当前电脑支持的最高版本的 CUDA 。

（截至 23/7/18 日，pytorch 最高只能支持 CUDA 11.8 版本，所以建议安装11.8 或者 11.7 版本。）

一条一条输入，需要的时间可能比较长，中途可能还需要输入密码，在执行倒数第二步时可能出现失败的提示，输入它提供的指令或者倒数第一条指令就可以了。

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/11.8.0/local_installers/cuda-repo-wsl-ubuntu-11-8-local_11.8.0-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-11-8-local_11.8.0-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-11-8-local/cuda-*-keyring.

进行安装。

sudo apt-get update
sudo apt-get -y install cuda

设置环境变量，输入：

vim ~/.bashrc

用上下左右键移动到最后一行，点击 i 键进入 Insert 模式，新建一行然后粘贴以下内容：

export PATH=/usr/bin:$PATH
export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

（注意版本号要和自己下载的一致。按 ESC 退出，输入 :wq 回到控制窗口。）

更新下 source：

source ~/.bashrc

然后输入 nvcc -V 检查是否成功。

nvcc -V

图2-2

出现版本号等信息即成功。

3. cuDNN 安装

下载 cuDNN:

需要注册一个 Navid 账号。

https://developer.nvidia.com/rdp/cudnn-archive

按照自己的 Ubuntu 和 CUDA 的版本选择对应的 deb 文件下载即可。

安装：

首先进入 Ubuntu 的控制界面，输入:

cd /mnt/e

mnt/之后的为你下载的 deb 的文件所在路径。

然后输入：

sudo dpkg -i YourDebName.deb

-i 后面为你下载的 deb 文件的名称。

输入 cd~ 即可回到主目录。

刷新数据：

sudo apt-get update
apt-cache search cudnn

安装 libcudnn8 运行库：

sudo apt -y install libcudnn8 libcudnn8-dev

4. Miniconda 安装

安装

下载安装包：

wget -c https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
chmod 777 Miniconda3-latest-Linux-x86_64.sh

安装conda：

bash Miniconda3-latest-Linux-x86_64.sh

设置环境变量：

方法同上，不再赘述。

vim ~/.bashrc
# 新建
export PATH=~/miniconda3/bin:$PATH
# 更新
source ~/.bashrc

5. 创建虚拟环境

输入下面指令新建环境，name 自取：

conda create -n name python=3.8

输入下面指令后重启命令行：

conda init

这个时候 root 前应该有（base）。

激活虚拟环境：

conda activate name

6. Pytorch 安装

进入官网： https://pytorch.org/get-started/locally/

图6-1

选择对应版本然后复制 Command 指令到 Ubuntu 安装即可。

下载时间过长的话可以上网搜索一下换源方法。

然后输入 python 进入 python 页面，输入：

import torch
torch.cuda.is_available()

如果没有任何报错并且输出 True，说明配置成功。

7. Vscode 链接 WSL

打开 Vscode，一般会直接提示你检测到 WSL 环境，是否需要链接，按照提示就可以了，没有的话下载 WSL 插件，链接到对应的版本，然后就可以在 Vscode 里快乐的使用了。

结语

此篇完成了基础的深度学习环境的配置，更加细节上的东西需要读者自己完善。