在 Windows 下利用 WSL2 和 Ubuntu 配置 GPU 机器学习环境
分类: 教程 / 字数: 1693 / 标签: GPU, WSL, WSL2, Ubuntu, 机器学习, 深度学习, CUDA, cuDNN, PyTorch, Tensorflow
本文主要面向希望在游戏空闲时段将显卡用于科学事业的朋友们 😎。
更新于 2024-05-19
工欲善其事必先利其器，开发离不开那个黑框框，所以我们需要把这个黑框框变得更好看更好用些。Windows 终端是一个新的支持 PowerShell 和 WSL bash 的应用，通过应用商店 直接进行安装。
建议安装最新版的 PowerShell 作为命令行环境，相关下载和配置详见官网。
为了更好的在终端中显示中英文和图标，推荐使用 Sarasa Term SC Nerd 作为终端显示字体。
为了方便使用，网络设置采用桥接模式。桥接模式需要在 Windows 中启用 Hyper-V（仅 Windows 专业版支持）。通过启用或关闭 Windows 功能开启 Hyper-V，然后重启电脑生效。
在 Hyper-V 中创建一个新的交换机，在连接类型中选择外部网络，并根据电脑的网络连接情况选择对应的桥接网卡。
通过 Get-VMSwitch -SwitchType External 可以查看创建的交换机：
Name SwitchType NetAdapterInterfaceDescription
---- ---------- ------------------------------
WSL External Realtek Gaming 2.5GbE Family Controller
在 Home 目录创建 .wslconfig 文件，并添加如下内容：
[wsl2]
networkingMode=bridged
vmSwitch=WSL
ipv6=true
其中，vmSwitch 填写创建的交换机的名称。
以管理员模式打开 PowerShell 或 Windows 命令提示符，输入如下命令，并重启计算机：
此命令会启用 WSL 并安装 Ubuntu 发行版 Linux。通过 wsl -l -o 可以查看所有 Linux 的发行版：
以下是可安装的有效分发的列表。
请使用“wsl --install -d <分发>”安装。
NAME FRIENDLY NAME
Ubuntu Ubuntu
Debian Debian GNU/Linux
kali-linux Kali Linux Rolling
Ubuntu-18.04 Ubuntu 18.04 LTS
Ubuntu-20.04 Ubuntu 20.04 LTS
Ubuntu-22.04 Ubuntu 22.04 LTS
Ubuntu-24.04 Ubuntu 24.04 LTS
OracleLinux_7_9 Oracle Linux 7.9
OracleLinux_8_7 Oracle Linux 8.7
OracleLinux_9_1 Oracle Linux 9.1
openSUSE-Leap-15.5 openSUSE Leap 15.5
SUSE-Linux-Enterprise-Server-15-SP4 SUSE Linux Enterprise Server 15 SP4
SUSE-Linux-Enterprise-15-SP5 SUSE Linux Enterprise 15 SP5
openSUSE-Tumbleweed openSUSE Tumbleweed
通过 wsl --install -d <发行版名称> 可以安装其他发行版 Linux，本文以 Ubuntu 22.04 为例。通过 wsl -l -v 可以查看当前运行的 WSL 版本：
NAME STATE VERSION
* Ubuntu-22.04 Running 2
通过 wsl 新安装的 Linux 默认已经设置为 WSL 2。
进入 Ubuntu 命令行，输入如下命令安装必要的系统依赖：
安装 zsh 作为 Ubuntu 默认的 Shell：
安装 Oh My Zsh 来提升 zsh 的易用性。
从 Nvidia 官网（https://www.nvidia.cn/geforce/drivers）下载适用于 Windows 的最新驱动并安装。进入 Windows 命令行，输入 nvidia-smi 命令查看显卡状态：
Ubuntu 中不再需要额外安装显卡驱动，进入 Ubuntu 命令行，输入 nvidia-smi 命令查看显卡状态：
不难看出，出了 nvidia-smi 工具版本不同外，显卡驱动和 CUDA 版本均是相同的。
从 Nvidia 官网（https://developer.nvidia.com/cuda-toolkit-archive）下载适用于 WSL Ubuntu 的 CUDA，在此选择的版本为 11.8.0（具体请参考例如 Tensorflow 等所需工具的依赖版本），相关平台选项如下：
下载完毕后运行如下命令进行安装：
chmod +x cuda_11.8.0_520.61.05_linux.run
sudo ./cuda_11.8.0_520.61.05_linux.run --toolkit
其中 --toolkit 表示仅安装 CUDA 工具箱。
在弹出的 EULA 界面输入 accept 进入安装选项界面：
仅保留 CUDA Toolkit 11.8 即可，切换到 Install 并按回车键进行安装。
将如下内容添加到 ~/.bashrc 文件尾部：
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64
通过 source ~/.bashrc 或 source ~/.zshrc 使路径立即生效。输入 nvcc -V 查看 CUDA 编译器驱动版本：
从 Nvidia 官网（https://developer.nvidia.com/rdp/cudnn-archive）下载适用于 Linux 和上述安装 CUDA 版本的 cuDNN，在此选择的版本为 v8.8.0 for CUDA 11.x，安装包格式为 Local Installer for Linux x86_64 (Tar)。
注意：cuDNN 需要注册账户后方可进行下载。
下载完毕后运行如下命令进行解压：
tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz
运行如下命令将其移动到 CUDA 目录：
sudo mv cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include
sudo mv cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*
Ubuntu 22.04 系统已经安装了 Python 3.10 版本，Python 3.10 在常用机器学习库上具有较好的兼容性。因此，以 Python 3.10 版本为例，使用 venv 创建机器学习虚拟环境。在系统层面安装 venv 并创建虚拟环境：
sudo apt install python3-venv
mkdir ~/SDK
python3.10 -m venv ~/SDK/python310
source ~/SDK/python310/bin/activate
输入如下命令安装 PyTorch：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
安装完毕后发现 PyTorch 内嵌了 CUDA 和 cuDNN。内嵌的好处是可以做到安装即用，但如果和其他包依赖的系统 CUDA 和 cuDNN 版本不一致，容易出现各种意想不到的问题。在 Python 中运行如下命令验证 PyTorch 是否可以正常调用显卡：
import torch
# PyTorch 版本
torch.__version__
# 2.3.0+cu118
# CUDA 是否可用
torch.cuda.is_available()
# True
# GPU 数量
torch.cuda.device_count()
# 1
# GPU 名称
torch.cuda.get_device_name(0)
# NVIDIA GeForce RTX 3070 Ti
输入如下命令安装 Tensorflow（2.14.1 版本支持 CUDA 11.8）：
pip install tensorflow==2.14.1
在 Python 中运行如下命令验证 Tensorflow 是否可以正常调用显卡：
import tensorflow as tf
# Tensorflow 版本
tf.__version__
# 2.15.1
# GPU 设备
tf.config.list_physical_devices('GPU')
# [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
# GPU 名称
tf.test.gpu_device_name()
# /device:GPU:0
配置 PyCharm 使用 WSL 中的 Python 请参见 Configure an interpreter using WSL。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。