前阵子帮团队把AI开发环境从双系统迁移到 WSL2折腾了差不多一整天踩了不少坑也把 GPU 直通的原理彻底摸了一遍。说实话当nvidia-smi在 Linux 终端里顺利跑出显卡信息的那一刻确实有种“Windows 和 Linux 终于和解了”的感觉。这篇文章我不打算写成官方文档的复读机而是把从零搭建 WSL2 AI 开发环境的完整思路、实操命令和排障记录一起整理出来。无论你是刚接触深度学习的入门玩家还是被双系统切换折磨已久的开发者只要想在 Windows 上跑 AI 训练、推理或容器化环境这篇文章都值得你花十分钟读完。1. 为什么选 WSL2 做 AI 开发环境1.1 WSL2 的虚拟化架构与“内核级 Linux”含义很多人一听到 WSL2 就以为它只是“Windows 里开个 Linux 窗口”这种理解在 WSL1 时代勉强成立到 WSL2 就完全不够用了。WSL2 的本质是一台轻量级虚拟机它运行在 Windows 的 Hyper-V 虚拟化平台上里面跑的是一颗真正的 Linux 内核而不是像 WSL1 那样靠 API 翻译层模拟 Linux 系统调用。这就是标题里“内核级 Linux”的来源你获得的是一个完整的、原生的 Linux 内核环境。这个架构带来的直接好处是系统调用完全兼容绝大多数 Linux 软件包、深度学习框架、甚至内核模块都能直接跑不用再担心“这个工具在 WSL1 下会炸”。代价是虚拟机和宿主机之间隔了一层虚拟化边界所以 WSL2 的 IO 性能、启动速度、跨文件系统访问效率都有自己的一套逻辑。如果你以前用过 Docker Desktop 的 WSL2 后端就能明显感觉到文件放在 Linux 文件系统里读写飞快而放在/mnt/c/下的 Windows 磁盘里则慢得让人怀疑人生。所以在 WSL2 里做 AI 项目我强烈建议把所有代码、数据集、虚拟环境全部放在 Linux 侧目录Windows 盘只做中转。我见过不少新手在 WSL2 里直接conda create -p /mnt/d/env结果模型训练时数据读取卡成幻灯片。这个习惯一定要改路径规划做不好后面所有优化都是白搭。1.2 GPU 直通到底直通了什么所谓 GPU 直通在云服务器领域通常指把物理显卡直接分配给虚拟机使用绕过半虚拟化或软件模拟的开销。WSL2 的GPU 直通不是把整个显卡设备完整暴露给 Linux 内核而是通过微软和 NVIDIA 合作实现的 GPU 分区与共享机制。简单说Windows 侧安装的显卡驱动会作为宿主驱动WSL2 里的 Linux 通过/dev/dxg设备访问 GPU 的计算能力再配合 NVIDIA 提供的 WSL 版 CUDA 驱动库把 CUDA 运行时封装成可以在 Linux 侧直接调用的形态。这个方案既保留了 Windows 图形界面的日常使用又让 Linux 侧拥有了接近原生的 CUDA 计算能力训练深度学习模型完全够用。我实测下来的体感是同样一个 PyTorch 训练脚本WSL2 里的 FPS 和原生 Linux 双系统相比差距通常在 5% 以内。对绝大多数 AI 开发场景来说这点差异换来的便利性完全值得。如果你是做多卡训练的WSL2 也支持多 GPU只要 Windows 驱动能识别到Linux 侧就能通过CUDA_VISIBLE_DEVICES正常分配。2. 环境准备与安装流程2.1 Windows 侧前置条件与功能启用动手之前先把 Windows 版本确认好。WSL2 和 GPU 直通都需要较新的系统支持我建议至少 Windows 11 22H2 以上Windows 10 在 21H2 及以上也能凑合但有些 WSLg 功能体验会差一点。开启 WSL2 需要 Intel/AMD 的 CPU 支持虚拟化也就是 BIOS 里的 SVM 或 VT-x 选项现在绝大多数主板默认开启但如果后面启动 WSL 时报“虚拟化支持未启用”记得进 BIOS 确认。接下来以管理员身份打开 PowerShell执行这组命令dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart Restart-Computer这两条命令分别启用了“适用于 Linux 的 Windows 子系统”和“虚拟机平台”。重启之后还需要把 WSL 默认版本设置为 2避免创建出老旧的 WSL1 实例wsl --set-default-version 2如果你之前装过 WSL1 的发行版可以单独用wsl --set-version 发行版名 2做版本转换。这一步只改配置不删数据转换过程可能持续几分钟中途别关机就好。2.2 安装 WSL2 与 Ubuntu 22.04现在 Windows 11 上安装 WSL 比以前简单太多了一条命令搞定wsl --install -d Ubuntu-22.04这条命令会帮你把 WSL 核心组件、虚拟机平台、内核更新包、Ubuntu 镜像全部装好省掉了以前手动下载安装包的繁琐流程。如果执行之后提示找不到发行版可以先用wsl --list --online查看支持列表然后把Ubuntu-22.04替换成列表中的对应名字。第一次安装完 Ubuntu 会弹出终端让你创建 Linux 用户和密码这个用户默认拥有 sudo 权限。创建时密码不会显示在屏幕上盲打即可输入完回车就行。有个小细节这个 Linux 用户和 Windows 用户是两套独立的账号体系后续在 Windows 侧打开的 VS Code、终端工具也要记得以这个 Linux 用户身份操作否则文件权限会出现各种怪异问题。安装完成后建议立刻升级一次系统软件包sudo apt update sudo apt upgrade -y这一步能避免很多因为内核头文件和 CUDA 包版本不匹配导致的编译错误尤其是后续要装 GPU 相关工具链时系统源越新越省事。2.3 把发行版装到非系统盘C 盘空间紧张是很多人的痛尤其 AI 环境里一个pip install torch就能吃掉好几个 G再加上 CUDA 工具包、数据集、模型权重C 盘分分钟告急。好在 WSL2 支持把整个发行版迁移到其他磁盘操作不算复杂唯一的坑是要先把发行版导出再导入。假设你已经装好了名为Ubuntu-22.04的发行版现把它迁移到 D 盘WSL目录步骤是先关闭正在运行的 WSL 实例导出为 tar 文件注销原发行版再用--import导入到新位置。wsl --shutdown wsl --export Ubuntu-22.04 D:\wsl\ubuntu2204.tar wsl --unregister Ubuntu-22.04 wsl --import Ubuntu-22.04 D:\WSL\Ubuntu-22.04 D:\wsl\ubuntu2204.tar --version 2注意--unregister会删除原有发行版的所有数据所以千万别在没导出前执行。导入后的发行版默认使用 root 用户你需要在导入完成后用wsl -d Ubuntu-22.04进入然后手动把默认用户改回之前创建的用户编辑/etc/wsl.conf加上[user]和default你的用户名两行配置保存后用wsl --terminate Ubuntu-22.04重启实例即可生效。迁移完记得把 D 盘那个 tar 文件留着后续出现环境损坏时还能快速恢复。3. GPU 直通与 CUDA/AI 框架配置3.1 安装 Windows GPU 驱动与 WSL 版 CUDA现在进入整个部署的重头戏让 WSL2 里的 Linux 真正用上显卡。首先要明确一个关键概念WSL2 里不需要在 Linux 侧单独安装 NVIDIA 官方显卡驱动驱动是安装在 Windows 侧的Linux 侧只需要安装 CUDA 工具包和配套库。微软把这种模式叫“GPU 分区”驱动由宿主机统一管理Linux 通过/dev/dxg调用计算单元。所以第一步去 NVIDIA 官网下载对应你显卡型号的 Windows 驱动。有一个特别注意的地方如果装了新版驱动后发现 WSL2 里看不到显卡别急着重装系统先确认驱动是否支持 WSL2。NVIDIA 从 470.x 版本开始全面支持 WSL2现在官网新驱动基本都默认包含 vGPU 功能安装时选“Game Ready”或“Studio”驱动都没问题关键是版本别太老建议在 525 以上。驱动装好后在 WSL2 终端里安装 CUDA。这里推荐用 NVIDIA 官方的 WSL-Ubuntu 软件源方式安装比去官网手动下载 runfile 省心很多而且后续apt upgrade能自动维护 CUDA 版本。wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update sudo apt install cuda-toolkit装完之后记得把 CUDA 的 bin 目录加到 PATHecho export PATH/usr/local/cuda/bin:$PATH ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda/lib64:$LD_LIBRARY_PATH ~/.bashrc source ~/.bashrc这里有一点容易迷惑cuda-toolkit是元包会拉取当前 CUDA 大版本对应的所有组件比如 12.x 系列。你不需要关心具体小版本号因为 AI 框架的预编译轮子通常自带 CUDA 运行时Linux 侧只需要有 nvcc 和驱动兼容层就够了。提示NVIDIA 在 WSL 上专门维护了cuda-wsl-ubuntu软件源这个源里的包和 Ubuntu 桌面版的 CUDA 源略有不同。如果你在apt search时看到一堆带-wsl后缀的包不用怀疑直接用就行。3.2 验证 GPU 可用性nvidia-smi安装完成后最激动人心的时刻就是输入nvidia-smi。如果一切正常你会看到和原生 Linux 几乎一样的输出显卡型号、驱动版本、CUDA 版本、显存占用全部正常显示。我第一次配置时卡在最诡异的地方nvidia-smi提示command not found但明明装了 CUDA 工具包。后来发现是/usr/local/cuda/bin没进 PATH。如果你也遇到这个情况先执行ls /usr/local/cuda确认目录存在再检查.bashrc里的 export 是否生效。还有一种更隐蔽的情况nvidia-smi能跑但显示No devices were found。这通常意味着 Windows 驱动自带的 WSL vGPU 组件没有正确加载。解决办法是去 Windows 的“设置 - 应用 - 已安装的应用”里找到 NVIDIA 驱动程序点“修改”做一次修复安装或者直接下载最新驱动执行自定义安装勾选“执行清洁安装”。修复之后wsl --shutdown再重进 WSL2基本就能识别了。3.3 配置 Python 与 AI 框架GPU 驱动层打通后剩下的就是普通 Python 环境的活了。我个人推荐在 Linux 侧用 Miniconda因为 AI 框架的依赖矩阵实在太复杂conda 可以帮你隔离出干净的环境避免和系统 Python 互相污染。wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh安装完 conda 之后创建一个新环境conda create -n ai python3.10 -y conda activate ai pip install torch torchvision torchaudio这里有个值得展开的细节PyTorch 默认的 pip 包带的是 CUDA 12.x 运行时如果你在 WSL2 里只想快速跑起来直接pip install torch就够了。要是你安装完成之后在 Python 里import torch报CUDA unavailable用下面这段代码验证一下import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果torch.cuda.is_available()返回 False先别急着卸载重装检查 Linux 侧有没有装好 CUDA 基础库ls /usr/lib/wsl/lib/正常情况下你会看到libcuda.so、libcuda.so.1等文件。这些文件是 WSL2 里由 Windows 驱动映射进来的如果缺失说明 Windows 侧驱动太老或者 WSL 内核版本不支持升级 Windows 驱动后重启即可。TensorFlow 的安装也类似区别在于 TensorFlow 2.x 需要额外关注 CUDA 版本兼容性。我的建议是无论 PyTorch 还是 TensorFlow都直接用 pip 最新版让 pip 自动拉取匹配的 CUDA 依赖避免自己手动管理 CUDA 和 cuDNN 的版本对应关系这样最省心。3.4 WSLg图形界面与本地可视化AI 开发不只跑训练脚本很多时候还需要看训练曲线、绘制图表、显示图片。WSL2 从 Windows 11 开始支持 WSLg也就是在 Linux 侧运行图形界面程序时窗口会直接显示到 Windows 桌面上不需要额外安装 X Server。我第一次在 WSL2 里跑 matplotlib 时发现plt.show()能正常弹窗确实惊喜了一下。这意味着你可以在 WSL2 里直接跑 TensorBoardtensorboard --logdir ./logs然后在 Windows 浏览器里访问http://localhost:6006数据实时刷新体验和原生 Linux 几乎没有区别。因为 WSL2 的网络层会自动把 Linux 侧的端口映射到宿主机所以你不需要做任何端口转发配置。如果你用的是 VS Code强烈建议安装“WSL”扩展。装完之后在 VS Code 左下角打开远程列表选择“Connect to WSL”就能直接在 Windows 的 VS Code 界面里编辑 Linux 侧的文件、运行终端、调试 Python 代码。底层走的是真实的 Linux 进程编辑器的语言服务、调试器、终端都和原生 Linux 一样比 Windows 侧的 Python 环境干净得多。4. 常见问题与排查技巧4.1 WSL2 尚未准备就绪“WSL2 尚未准备就绪”大概是全网出现频率最高的 WSL 报错了。这个问题通常出现在刚升级完 WSL 内核或系统更新之后本质是 WSL 的核心服务没有正常初始化。我的排查顺序是先打开 PowerShell 执行wsl --status看版本信息如果显示“默认版本2”并且内核版本正常再执行wsl --shutdown然后重新进入。如果还不行就去“启用或关闭 Windows 功能”里确认“虚拟机平台”和“适用于 Linux 的 Windows 子系统”两个选项是否都勾选它们缺一不可。还有种情况是 Windows 更新把 WSL 的内核文件弄坏了。解决办法是把 WSL 组件更新到最新版在已安装的应用里搜索“Windows Subsystem for Linux”或“Windows Terminal”如果你用的是新版 Store 版本 WSL直接去 Microsoft Store 搜“Windows Subsystem for Linux”点更新如果是旧版系统自带组件就用 PowerShell 执行wsl --update强制拉取最新内核。更新完之后一定记得重启终端工具因为 WSL 的环境变量在旧的容器里可能还是旧路径。4.2 vGPU 驱动缺失或 nvidia-smi 报错这类问题的症状前面提过Linux 侧执行nvidia-smi显示驱动错误或者torch.cuda.is_available()返回 False。除了清洁安装 Windows 驱动之外我还会检查 WSL 版本是不是全新的。有些老版本 WSL 内核里没有包含 WSLg 和 GPU 分区模块简单方法就是执行一次wsl --update把内核升级到最新。另一个常被忽略的点是 Windows 和 Linux 侧的图形驱动冲突。如果你的电脑同时装有 NVIDIA Studio 驱动和某个优化工具注入的驱动两者可能互相干扰。打开设备管理器展开“显示适配器”确认显卡设备没有黄色感叹号。如果有右键卸载设备并勾选“删除此设备的驱动程序软件”然后重装官方驱动。最后如果你是在公司电脑上操作还要留意 IT 策略是否禁用了 Hyper-V 或虚拟化。这个不展开聊但如果你其他步骤都对还是不行可以跑一下systeminfo看“Hyper-V 要求”里最后一项“已启用虚拟机监控程序”是否为“是”。4.3 apt 下载慢与源更换WSL2 的 Ubuntu 默认源指向国外服务器在大陆网络环境下apt update慢到让人想砸键盘。解决办法是换用国内镜像源比如清华 TUNA 或阿里云开源镜像站。操作方式很简单编辑/etc/apt/sources.list把archive.ubuntu.com和security.ubuntu.com替换成镜像地址。以 Ubuntu 22.04 为例改源之后长这样deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ jammy main restricted universe multiverse deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ jammy-updates main restricted universe multiverse deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ jammy-security main restricted universe multiverse配置文件里的地址其实是可以带http或https的只要镜像站支持就行。改完执行sudo apt update速度提升十几倍很正常。如果你的发行版已经用上了/etc/apt/sources.list.d/ubuntu.sources这种新格式操作逻辑一样把对应文件里的 URL 替换掉即可。这里说个我自己的习惯源文件改之前先用sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak备份一下万一手滑改错还能快速还原。镜像源地址第一时间不要贪多只留一个官方镜像和update用的源就够了有些 DIY 源会引入奇怪的包依赖问题。4.4 OOM 内存溢出与内存回收WSL2 的默认内存上限是宿主机内存的 50%这个配置在 AI 任务加载大模型时经常爆掉尤其你一边跑训练一边开着 Chrome、微信、IDE 的情况下。解决办法是手动给 WSL2 设置内存上限在 Windows 用户目录下创建.wslconfig文件写入如下内容[wsl2] memory12GB swap8GB processors6memory是 WSL 能使用的最大内存swap是虚拟内存文件大小processors是分配给 WSL 的 CPU 核数。我一般建议预留 Windows 本身 4 到 8GB 内存比如电脑物理内存 32GB给 WSL 设置memory24GB。配置保存后执行wsl --shutdown下次启动时生效。还有一个容易忽略的点WSL2 的内存回收机制和原生 Linux 不太一样即使 Linux 侧任务结束内存也未必马上归还给 Windows。如果你发现 Windows 越来越卡偷偷跑一下wsl --shutdown是最粗暴有效的办法。只要你没有运行中的任务这个操作完全安全下次打开 WSL 终端会自动启动。5. 实操中的性能优化与个人体会5.1 文件系统布局与数据目录规划我在前面反复强调过WSL2 里访问 Windows 文件系统性能很差根本原因是 9P 文件协议和跨虚拟化边界的开销。所以在 WSL 里做 AI 项目时一定要把 Linux 侧的文件系统当成主战场。我的目录布局是这样设计的~/projects放代码~/data放数据集~/model_zoo放预训练权重所有内容都放在 Linux 文件系统Windows 侧只保留安装包等一次性文件。如果你实在有跨系统访问的需求比如经常需要将 Windows 侧的数据集拷进 Linux建议先把数据复制到 Linux 目录再操作不要直接在脚本里读取/mnt/d/...。复制时的速度也会快很多用cp -r或rsync都行。实测下来从 Windows 盘复制 10GB 数据集到 WSL2 内部目录大概需要两分钟而训练时直接读 Windows 盘同样数据量光数据加载就能多花近一倍时间。这个差距对大规模训练来说是致命的无论如何都得避免。5.2 内存与 Swap 调优的数值推荐关于内存调优我给出一个比较实用的参考表方便你按自己的机器配物理内存建议 WSL 内存上限建议 Swap 上限建议 CPU 核数16GB8GB4GB432GB20GB8GB864GB48GB16GB16如果你的训练任务经常在 CPU 上做数据预处理processors可以适当调大如果你主要靠 GPU 计算processors留给 Windows 系统多点也无妨。Swap 放在 Windows 的虚拟内存文件里实际上是磁盘 IO千万别指望它加速训练它只是防止 OOM killer 杀掉进程的保险。还有个更激进但很实用的选项在 Linux 侧用zram或者压缩 swap 来缓解内存压力。WSL2 的内核默认支持 zram你可以在/etc/systemd或者启动脚本里加一行modprobe zram然后进行配置但对大多数人来说把.wslconfig里的 swap 调大已经足够解决 99% 的问题。5.3 容器化环境Docker Desktop 与 WSL2 的协同AI 开发中 Docker 使用频率很高而 Docker Desktop 本身就能跑在 WSL2 后端上。这意味着你可以直接在 WSL2 里安装 Docker 引擎或者直接启用 Windows 侧的 Docker Desktop 并让它使用 WSL2 后端。我推荐后者理由很简单Docker Desktop 会帮你自动管理 WSL 实例而且 Windows 侧的 Docker 命令行和 Linux 侧可以共享同一个 daemon你不必在两边各维护一套 Docker 环境。在 WSL2 Linux 里想直接用 docker 命令只需要在 Docker Desktop 的设置里打开“Use the WSL 2 based engine”然后在 WSL 发行版里执行docker ps就能连通。如果你更习惯纯 Linux 环境也可以选择在 WSL2 里安装原生 Docker Engine但要注意服务管理的差异WSL2 默认不是用 systemd 启动所有服务的需要你手动把 dockerd 拉起来或用wsl --exec方式后台运行。这个坑我踩过所以建议新手直接用 Docker Desktop 接管它会处理好所有细节GPU 也能通过--gpus all参数直接透传给容器。5.4 备份与迁移完整环境AI 开发环境一旦配好切不可大意。建议把整个 WSL2 发行版定期导出备份尤其是你装了特定版本的 CUDA、配置好了 conda 环境、写好了.wslconfig之后这一套东西重装起来非常耗时。备份操作前面已经提到过用wsl --export导出 tar 文件恢复到新机器就用wsl --import。如果只是迁移部分文件也可以直接把 Linux 侧目录压缩打包到 Windows 盘存档。我个人的习惯是每个季度导出一份干净的基础环境命名带上日期比如wsl2-ai-2025-03.tar放在专门的大容量磁盘里。这个备份的好处是一旦你实验性的操作把环境搞坏比如conda env remove删错了、内核头文件升级失败直接导出备份回来五分钟就能回到可用状态。如果你用的是 Git 管理代码那么代码本身不需要备份但 conda 环境、CUDA 工具链、系统级配置这些“不可复制”的内容一定要进备份。还有一点很关键备份前先执行wsl --shutdown否则正在写入的文件可能处于不一致状态导出的 tar 会损坏。6. 一些想单独说给你的经验到这里WSL2 部署 AI 开发环境的主流程基本讲完了。回顾这几天的操作我最大的感受是WSL2 其实已经不是一个“玩具”了它是 Windows 平台上相当成熟的原生 Linux 环境。对 AI 开发者来说它的价值在于让你同时拥有 Windows 的各种生产力软件和 Linux 的完整工具链而且 GPU 计算能力几乎无损这种体验在几年前是不可想象的。如果你只是偶尔跑个小模型WSL2 可能感觉和普通 Linux 虚拟机差不多但如果你每天要在 Linux 和 Windows 之间来回切换还要跑 CUDA、Docker、TensorBoard这套方案能帮你省下大量时间。我在迁移之后Windows 侧照常开着 Office、浏览器、通讯工具Linux 侧跑着训练任务和 Jupyter互不干扰体验非常顺畅。还有一个我后来才意识到的小技巧如果你敲wsl进入默认系统时希望直接落到项目目录可以在 Windows Terminal 的设置里把命令行改成wsl -d Ubuntu-22.04 --cd ~/projects或者直接在.bashrc末尾加一行cd ~/projects。这样每次打开终端直接进入工作区省掉反复cd的时间对日常开发体感提升很明显。最后再多说一句WSL2 的 GPU 直通能力会随着 Windows 和 NVIDIA 驱动版本持续增强如果你发现某些 AI 框架的新特性在 WSL2 里支持得不好优先检查 Windows 驱动是否太旧。保持驱动和 WSL 内核的更新节奏这个环境会越来越稳。希望我的这些踩坑记录能帮你少走弯路。