以前捣鼓过wsl，即Windows下的Linux子系统，但兼容性依然比不过原生的Linux系统，使用cmake等命令会出现奇怪的问题。
最近听说wsl2出来了，而且也可以在wsl上安装nvidia显卡驱动了，有网友实测跑深度学习模型速度能比Windows的快一倍左右，哈哈这就必须得捣鼓捣鼓了，如果兼容性真的没问题的话，那可比虚拟机或双系统要爽多了~
目前还发现，微软官网对wsl的使用教程也写的非常友好，推荐大家多看看官方教程，毕竟时效性可以保证~~
微软wsl官方教程：https://learn.microsoft.com/zh-cn/windows/wsl/install
更多文章欢迎来我的博客小站看呀，会有更多的技术细节~
本篇教程后面涉及到WSL2上的GPU加速，经网上帖子的建议，用最新的win11系统可以保证最大的成功率。如果是win10系统，需将win10升级为预览体验版本，建议谨慎折腾！
没特殊需求的，都建议将系统升级为win11再进行尝试。
从对比图中可以看到，除非对跨OS的文件系统性能有要求，WSL 2是全面优于WSL 1的。官方文档也建议使用VSCode对WSL中的文件进行访问和操作，所以WSL 2搭配VSCode应该是非常棒的组合~
管理员模式下打开 PowerShell 或 Windows 命令提示符
查看可用发行版本列表
wsl --list --online
可以看到有Ubuntu-20.04这个发行版本，正是我们需要的~
安装Ubuntu-20.04发行版
wsl --install -d Ubuntu-20.04
这里默认安装的就是wsl2，如果对wsl1有需求，可以查阅官方文档哦，有很详尽的介绍~
安装大概花费5~10分钟左右，视电脑配置和网络状况，耐心等待即可~
提示安装成功后，重启电脑即可完成安装。重启后会默认弹出Linux powershell，设置完用户名和密码，安装正式完成，如下图~
sudo apt update && sudo apt upgrade
在VSCode中安装「 Remote Development 」扩展。除了远程 - SSH 和开发容器扩展，此扩展包还包括 WSL 扩展，使你能够在容器、远程计算机上或 WSL 中打开任何文件夹。
可以通过在WSL2命令行中输入code .就可以直接用VSCode打开Linux中的文件夹进行开发了~
下载并安装 NVIDIA GPU 的最新驱动程序：https://www.nvidia.com/Download/index.aspx
我的笔记本是3060，所以可以按如下配置搜索
搜索出来后点击下载即可，可以看到驱动版本目前最新是527.56
这是您需要安装的唯一驱动程序。不要在 WSL 中安装任何 Linux 显卡驱动程序。 详情参阅Nvidia官方说明：WSL 2 上的
CUDA
入门再次强调，不要在WSL中安装任何Linux版的Nvidia驱动！
下载完驱动后就可以安装了，我直接选择默认的NVIDIA 显卡驱动和 GeForce Experience选项，安装选项为精简，安装完成后重启下电脑即可~
打开powershell，输入nvidia-smi，可以看到Windows下已经正常输出显卡驱动信息了
输入wsl，可以进入Linux命令行，再次输入nvidia-smi，可以看到Linux环境下，也输出了显卡驱动信息，大功告成~
如果在wsl2命令行中输入
nvidia-smi发现没有正常输出，而是报错，首先要检查的就是你的Windows版本是不是太低了，还是建议升级到最新的win11系统再进行折腾因为有网友已经实践，升级到win11后啥都不用做，直接就把wsl2链接到GPU了
所以看到报错先检查Windows版本，千万不要在WSL中安装任何Linux版的Nvidia驱动！不需要的！
接下来就有两种方式了：
一个是按Nvidia官方说明：WSL 2 上的 CUDA 入门上的，在CUDA Toolkit下载界面选择适合WSL的CUDA Toolkit进行安装，如下图所示
另一种是根据网友的评论，可以依赖于conda和pytorch直接安装gpu版本的pytorch，安装成功后cuda也是可以直接用了。pytorch官方给出的安装命令如下图，可以看到其中也包含了cuda 11.7
这两种的区别，据有网友说第二种方式安装的CUDA Toolkit貌似只适用于Pytorch，所以如果想将CUDA Toolkit和C++搭配使用的话，还是得要用第一种方式安装一次CUDA Toolkit
但经博主亲自实践，用conda安装的cuda，也是可以直接和C++搭配使用的！
所以接下来的内容就是，用第二种方式安装pytorch的gpu版本，即可将cuda安装好。然后编写一个c++脚本测试一下，都没问题的话，即WSL2的GPU加速配置大功告成~
本节教程和微软wsl官方教程中的GPU加速配置有区别，好像是官方教程里好像设置了Docker什么的，我目前好像还用不到这么深，所以就没参考微软wsl的官方教程
界面截图如上图所示，PyTorch直接给出了安装命令，如下
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
因此，我们直接在Linux的命令行中，切换到我们自己创建的python虚拟环境，运行以上命令进行安装，以下是conda给出安装前的输出信息，可以看到里面就包含了CUDA Toolkit
## Package Plan ##
environment location: /home/aayu/miniconda3/envs/py38
added / updated specs:
- pytorch
- pytorch-cuda=11.7
- torchaudio
- torchvision
The following packages will be downloaded:
package | build
---------------------------|-----------------
cuda-11.7.1 | 0 1 KB nvidia
cuda-cccl-11.7.91 | 0 1.2 MB nvidia
cuda-command-line-tools-11.7.1| 0 1 KB nvidia
cuda-compiler-11.7.1 | 0 1 KB nvidia
cuda-cudart-11.7.99 | 0 194 KB nvidia
cuda-cudart-dev-11.7.99 | 0 1.1 MB nvidia
cuda-cuobjdump-11.7.91 | 0 158 KB nvidia
cuda-cupti-11.7.101 | 0 22.9 MB nvidia
cuda-cuxxfilt-11.7.91 | 0 293 KB nvidia
cuda-demo-suite-12.0.76 | 0 5.0 MB nvidia
cuda-documentation-12.0.76 | 0 89 KB nvidia
cuda-driver-dev-11.7.99 | 0 16 KB nvidia
cuda-gdb-12.0.90 | 0 5.3 MB nvidia
cuda-libraries-11.7.1 | 0 1 KB nvidia
cuda-libraries-dev-11.7.1 | 0 2 KB nvidia
cuda-memcheck-11.8.86 | 0 168 KB nvidia
cuda-nsight-12.0.78 | 0 113.6 MB nvidia
cuda-nsight-compute-12.0.0 | 0 1 KB nvidia
cuda-nvcc-11.7.99 | 0 42.7 MB nvidia
cuda-nvdisasm-12.0.76 | 0 47.9 MB nvidia
cuda-nvml-dev-11.7.91 | 0 80 KB nvidia
cuda-nvprof-12.0.90 | 0 4.3 MB nvidia
cuda-nvprune-11.7.91 | 0 64 KB nvidia
cuda-nvrtc-11.7.99 | 0 17.3 MB nvidia
cuda-nvrtc-dev-11.7.99 | 0 16.9 MB nvidia
cuda-nvtx-11.7.91 | 0 57 KB nvidia
cuda-nvvp-12.0.90 | 0 114.3 MB nvidia
cuda-runtime-11.7.1 | 0 1 KB nvidia
cuda-sanitizer-api-12.0.90 | 0 16.6 MB nvidia
cuda-toolkit-11.7.1 | 0 1 KB nvidia
cuda-tools-11.7.1 | 0 1 KB nvidia
cuda-visual-tools-11.7.1 | 0 1 KB nvidia
cudatoolkit-10.1.243 | h036e899_8 427.4 MB nvidia
gds-tools-1.5.0.59 | 0 40.9 MB nvidia
intel-openmp-2022.1.0 | h9e868ea_3769 4.5 MB
lcms2-2.12 | h3be6417_0 312 KB
libcublas-11.10.3.66 | 0 286.1 MB nvidia
libcublas-dev-11.10.3.66 | 0 296.4 MB nvidia
libcufft-10.7.2.124 | h4fbf590_0 93.6 MB nvidia
libcufft-dev-10.7.2.124 | h98a8f43_0 197.3 MB nvidia
libcufile-1.5.0.59 | 0 754 KB nvidia
libcufile-dev-1.5.0.59 | 0 13 KB nvidia
libcurand-10.3.1.50 | 0 51.7 MB nvidia
libcurand-dev-10.3.1.50 | 0 449 KB nvidia
libcusolver-11.4.0.1 | 0 78.7 MB nvidia
libcusolver-dev-11.4.0.1 | 0 55.9 MB nvidia
libcusparse-11.7.4.91 | 0 151.1 MB nvidia
libcusparse-dev-11.7.4.91 | 0 309.5 MB nvidia
libnpp-11.7.4.75 | 0 129.3 MB nvidia
libnpp-dev-11.7.4.75 | 0 126.6 MB nvidia
libnvjpeg-11.8.0.2 | 0 2.2 MB nvidia
libnvjpeg-dev-11.8.0.2 | 0 1.9 MB nvidia
mkl-2022.1.0 | hc2b9512_224 129.7 MB
ninja-1.10.2 | h06a4308_5 8 KB
ninja-base-1.10.2 | hd09550d_5 109 KB
nsight-compute-2022.4.0.15 | 0 764.0 MB nvidia
pillow-9.2.0 | py38hace64e9_1 666 KB
pytorch-1.4.0 |py3.8_cuda10.1.243_cudnn7.6.3_0 433.1 MB pytorch
pytorch-cuda-11.7 | h67b0de4_1 3 KB pytorch
torchaudio-0.4.0 | py38 6.1 MB pytorch
torchvision-0.5.0 | py38_cu101 9.1 MB pytorch
------------------------------------------------------------
Total: 3.91 GB
The following NEW packages will be INSTALLED:
cuda nvidia/linux-64::cuda-11.7.1-0
cuda-cccl nvidia/linux-64::cuda-cccl-11.7.91-0
cuda-command-line~ nvidia/linux-64::cuda-command-line-tools-11.7.1-0
cuda-compiler nvidia/linux-64::cuda-compiler-11.7.1-0
cuda-cudart nvidia/linux-64::cuda-cudart-11.7.99-0
cuda-cudart-dev nvidia/linux-64::cuda-cudart-dev-11.7.99-0
cuda-cuobjdump nvidia/linux-64::cuda-cuobjdump-11.7.91-0
cuda-cupti nvidia/linux-64::cuda-cupti-11.7.101-0
cuda-cuxxfilt nvidia/linux-64::cuda-cuxxfilt-11.7.91-0
cuda-demo-suite nvidia/linux-64::cuda-demo-suite-12.0.76-0
cuda-documentation nvidia/linux-64::cuda-documentation-12.0.76-0
cuda-driver-dev nvidia/linux-64::cuda-driver-dev-11.7.99-0
cuda-gdb nvidia/linux-64::cuda-gdb-12.0.90-0
cuda-libraries nvidia/linux-64::cuda-libraries-11.7.1-0
cuda-libraries-dev nvidia/linux-64::cuda-libraries-dev-11.7.1-0
cuda-memcheck nvidia/linux-64::cuda-memcheck-11.8.86-0
cuda-nsight nvidia/linux-64::cuda-nsight-12.0.78-0
cuda-nsight-compu~ nvidia/linux-64::cuda-nsight-compute-12.0.0-0
cuda-nvcc nvidia/linux-64::cuda-nvcc-11.7.99-0
cuda-nvdisasm nvidia/linux-64::cuda-nvdisasm-12.0.76-0
cuda-nvml-dev nvidia/linux-64::cuda-nvml-dev-11.7.91-0
cuda-nvprof nvidia/linux-64::cuda-nvprof-12.0.90-0
cuda-nvprune nvidia/linux-64::cuda-nvprune-11.7.91-0
cuda-nvrtc nvidia/linux-64::cuda-nvrtc-11.7.99-0
cuda-nvrtc-dev nvidia/linux-64::cuda-nvrtc-dev-11.7.99-0
cuda-nvtx nvidia/linux-64::cuda-nvtx-11.7.91-0
cuda-nvvp nvidia/linux-64::cuda-nvvp-12.0.90-0
cuda-runtime nvidia/linux-64::cuda-runtime-11.7.1-0
cuda-sanitizer-api nvidia/linux-64::cuda-sanitizer-api-12.0.90-0
cuda-toolkit nvidia/linux-64::cuda-toolkit-11.7.1-0
cuda-tools nvidia/linux-64::cuda-tools-11.7.1-0
cuda-visual-tools nvidia/linux-64::cuda-visual-tools-11.7.1-0
cudatoolkit nvidia/linux-64::cudatoolkit-10.1.243-h036e899_8
gds-tools nvidia/linux-64::gds-tools-1.5.0.59-0
intel-openmp pkgs/main/linux-64::intel-openmp-2022.1.0-h9e868ea_3769
lcms2 pkgs/main/linux-64::lcms2-2.12-h3be6417_0
libcublas nvidia/linux-64::libcublas-11.10.3.66-0
libcublas-dev nvidia/linux-64::libcublas-dev-11.10.3.66-0
libcufft nvidia/linux-64::libcufft-10.7.2.124-h4fbf590_0
libcufft-dev nvidia/linux-64::libcufft-dev-10.7.2.124-h98a8f43_0
libcufile nvidia/linux-64::libcufile-1.5.0.59-0
libcufile-dev nvidia/linux-64::libcufile-dev-1.5.0.59-0
libcurand nvidia/linux-64::libcurand-10.3.1.50-0
libcurand-dev nvidia/linux-64::libcurand-dev-10.3.1.50-0
libcusolver nvidia/linux-64::libcusolver-11.4.0.1-0
libcusolver-dev nvidia/linux-64::libcusolver-dev-11.4.0.1-0
libcusparse nvidia/linux-64::libcusparse-11.7.4.91-0
libcusparse-dev nvidia/linux-64::libcusparse-dev-11.7.4.91-0
libnpp nvidia/linux-64::libnpp-11.7.4.75-0
libnpp-dev nvidia/linux-64::libnpp-dev-11.7.4.75-0
libnvjpeg nvidia/linux-64::libnvjpeg-11.8.0.2-0
libnvjpeg-dev nvidia/linux-64::libnvjpeg-dev-11.8.0.2-0
mkl pkgs/main/linux-64::mkl-2022.1.0-hc2b9512_224
ninja pkgs/main/linux-64::ninja-1.10.2-h06a4308_5
ninja-base pkgs/main/linux-64::ninja-base-1.10.2-hd09550d_5
nsight-compute nvidia/linux-64::nsight-compute-2022.4.0.15-0
pillow pkgs/main/linux-64::pillow-9.2.0-py38hace64e9_1
pytorch pytorch/linux-64::pytorch-1.4.0-py3.8_cuda10.1.243_cudnn7.6.3_0
pytorch-cuda pytorch/noarch::pytorch-cuda-11.7-h67b0de4_1
six pkgs/main/noarch::six-1.16.0-pyhd3eb1b0_1
torchaudio pytorch/linux-64::torchaudio-0.4.0-py38
torchvision pytorch/linux-64::torchvision-0.5.0-py38_cu101
贴一张安装过程中的截图哈哈
安装成功！用nvcc -V命令测试一下是否能正常输出，成功输出，如下图
导入Pytorch测试一下，正确链接到GPU，并识别出显卡
编写一个cuda脚本
#include "cuda_runtime.h"
#include <stdlib.h>
#include <assert.h>
#include <iostream>
// Device code
__global__ void VecAdd(float* A, float* B, float* C)
{
int i = threadIdx.x;
C[i] = A[i] + B[i];
}
// Host code
int main()
{
int N = 1024;
size_t size = N * sizeof(float);
// Allocate input vectors h_A and h_B in host memory
float* h_A = (float*)malloc(size);
float* h_B = (float*)malloc(size);
float* h_C = (float*)malloc(size);
// Initialize input vectors
for (size_t i = 0; i < N; i++)
{
h_A[i] = 1.;
h_B[i] = 2.;
}
// Allocate vectors in device memory
float* d_A;
cudaMalloc(&d_A, size);
float* d_B;
cudaMalloc(&d_B, size);
float* d_C;
cudaMalloc(&d_C, size);
// Copy vectors from host memory to device memory
cudaMemcpy(d_A, h_A, size, cudaMemcpyHostToDevice);
cudaMemcpy(d_B, h_B, size, cudaMemcpyHostToDevice);
// Kernel invocation with N threads
VecAdd<<<1, N>>>(d_A, d_B, d_C);
// Copy result from device memory to host memory
// h_C contains the result in host memory
cudaMemcpy(h_C, d_C, size, cudaMemcpyDeviceToHost);
for (size_t i = 0; i < N; i++){
assert(h_C[i] == 3.);
}
std::cout << "\t\t\t\tDONE!" << std::endl;
// Free device memory
cudaFree(d_A);
cudaFree(d_B);
cudaFree(d_C);
// Free host memory
free(h_A);
free(h_B);
free(h_C);
return 0;
}
然后在刚刚安装了cuda的python环境下用以下命令编译
nvcc cuda_test_1.cu -o cuda_test_1
编译成功后用./cuda_test_1运行，成功运行如下图
大功告成！