### 如何在WSL2 Ubuntu系统中运行和复现PyTorch项目 要在WSL2的Ubuntu环境中成功复现PyTorch项目，需要按照以下方法操作： #### 1. WSL2 的基本配置 确保已正确安装并启用WSL2。如果尚未完成此步骤，则需先通过PowerShell执行以下命令以启用WSL2功能[^1]: ```powershell wsl --install ``` 确认当前使用的发行版为Ubuntu，并将其默认版本更改为WSL2（如果有多个发行版）： ```powershell wsl --set-default-version 2 ``` #### 2. 安装 NVIDIA CUDA 驱动程序和支持工具 为了使 PyTorch 能够利用 GPU 加速，在 WSL2 中需要安装 NVIDIA 提供的支持工具链。 下载并运行适用于 WSL2 和 Ubuntu 的 CUDA 工具包： ```bash wget https://developer.download.nvidia.cn/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run sh cuda_11.8.0_520.61.05_linux.run ``` 这一步骤将安装必要的CUDA驱动以及相关库文件[^2]。 #### 3. 设置 Conda 环境 创建一个新的 Python 环境用于管理依赖项。这里推荐使用 Miniconda 或 Anaconda 来简化环境隔离工作。 ```bash conda create -n pytorch_env python=3.9 conda activate pytorch_env ``` 接着安装指定版本的 PyTorch 及其扩展组件，确保它们兼容所选的 CUDA 版本： ```bash pip install torch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 --index-url https://download.pytorch.org/whl/cu118 ``` 上述命令指定了与 CUDA 11.8 对应的 PyTorch 库版本[^2]。 #### 4. 解决可能遇到的问题 某些情况下可能会因为路径未正确定义而导致错误提示找不到特定动态链接库。此时可以通过导出相应的环境变量解决此类问题： ```bash export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64/ ``` 此外还需验证第三方动态库如 cuDNN 是否已经正确部署到位[^3]。 #### 5. 测试安装效果 最后可以编写一段简单的脚本来检测整个框架是否能够正常加载数据集并通过 GPU 进行训练过程模拟。例如针对 CIFAR-10 数据集的操作如下所示： ```python import torch from torchvision import datasets, transforms transform = transforms.Compose([transforms.ToTensor()]) train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) device = 'cuda' if torch.cuda.is_available() else 'cpu' print(f'Device being used: {device}') ``` 以上即是在 WSL2 上搭建适合深度学习开发工作的完整流程概述[^1][^2].