在WSL2-Ubuntu中安装CUDA12.8、cuDNN、Anaconda、Pytorch并验证安装

#记录工作

提示：整个过程最好先开启系统代理，也可以用镜像源，确保有官方发布的最新特性和官方库的完整和兼容性支持。

 期间下载会特别慢，需要在系统上先开启代理，然后WSL设置里打开网络模式“Mirrored”,以设置WSL自动使用主机上的代理网络。

【WLS2怎么设置网络自动代理 - CSDN App】https://blog.csdn.net/u014451778/article/details/146073726?sharetype=blog&shareId=146073726&sharerefer=APP&sharesource=u014451778&sharefrom=link

一、首先要先确保——windows系统中要正确安装了以下组件：

（一）显卡驱动；

下载 NVIDIA 官方驱动 | NVIDIA

（二）Microsoft Visual Studio；

下载 Visual Studio Tools - 免费安装 Windows、Mac、Linux

（三）CUDA；

CUDA Toolkit 12.8 Downloads | NVIDIA Developer

（四）cuDNN；

CUDA Toolkit 12.8 Downloads | NVIDIA Developer

（五）正确安装WSL2-Ubuntu版本

要正常安装WSL2-Ubuntu版本，安装成功后打开ubuntu界面输出如下界面：

安装 WSL | Microsoft Learn

该版本默认是安装的WSL2-Ubuntu 24.04版本 ，也可以选择其他的ubuntu版本进行安装。

二、在WSL2-Ubuntu系统中安装CUDA、cuDNN、Anaoconda

在windows系统中正确安装完必要组件后，然后才是在WSL2-Ubuntu中按照顺序安装 CUDA、cuDNN、Anaoconda。

打开WSL2-Ubuntu，先安装CUDA、再安装cuDNN、最后是Anaconda（管理虚拟环境）

只要windows系统配置好了显卡驱动，在WSL2中一般不必再另外安装linux驱动了。

在安装前可以在WSL2-Ubuntu中使用以下命令进行验证与显卡的通信和驱动调用的情况：

nvidia-smi

（一）安装CUDA

打开CUDA官方网址<建议“deb(network)”方式较为省事>，完整复制全部命令粘贴进WSL2-Ubuntu终端中按回车键运行。

CUDA Toolkit 12.8 Downloads | NVIDIA Developer

选项如图所示：

当然，也可以选WSL-Ubuntu这个选项更把稳。

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-12-8

1、复制图片/官网下边的全部命令，粘贴到WSL2-Ubuntu终端窗口中，按ENTER键（回车键）运行 

2、过程中会要求输入密码，输入ubuntu密码即可。

3、执行命令后会自动进行下载和安装： 

4、安装结束后进行环境变量的编辑：

 a）我们可以按照下面的步骤来永久添加环境变量：

检查安装是否成功在配置环境变量之前，先确认 CUDA 是否正确安装。运行以下命令：ls /usr/local/cuda-12.8/bin/

在 WSL2-Ubuntu 系统中，CUDA 12.8 通常安装在/usr/local/cuda-12.8目录下，这个目录包含了 CUDA 相关的各种组件，如 bin（包含可执行文件，比如 nvcc 编译器就在这里面）、lib64（包含库文件）、include（包含头文件） 等。如果在安装过程中没有指定其他特殊路径，这就是默认的安装位置。我们可以通过以下命令来验证：

ls /usr/local/cuda-12.8

  如果安装成功，我们会看到nvcc等工具的列表。如果没有看到这些文件，可能需要重新检查安装步骤。

从我执行 ls /usr/local/cuda-12.8 后的输出结果来看，CUDA 12.8 似乎已经成功安装到了 /usr/local/cuda-12.8 目录下。

接下来，我们需要将 /usr/local/cuda-12.8/bin 目录添加到系统的 PATH 环境变量中，以便系统能够找到 nvcc 等命令。

b） 配置环境变量环境变量的配置需要根据你的系统类型（Bash 或 Zsh）来操作。

 确认当前使用的 Shell

首先，确认你当前使用的 Shell 是 Bash 还是 Zsh。

我们可以通过以下命令查看：

echo $SHELL

• 如果输出是   /bin/bash  ，则使用 Bash。

• 如果输出是   /bin/zsh  ，则使用 Zsh。

c）编辑环境变量配置文件

以下是常见的配置方法：

对于 Bash 用户

编辑   ~/.bashrc   文件，

nano ~/.bashrc

添加以下内容： 

export PATH=/usr/local/cuda-12.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.8/lib64:$LD_LIBRARY_PATH

• 按下   Ctrl + X  ，然后按   Y   确认保存，最后按   Enter   完成退出。 

保存文件后，运行以下命令使变量生效：

source ~/.bashrc

对于 Zsh 用户

编辑   ~/.zshrc   文件，

nano ~/.bashrc

添加相同的内容 : 

export PATH=/usr/local/cuda-12.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.8/lib64:$LD_LIBRARY_PATH

保存文件后，运行以下命令使变量生效（选其一）：

source ~/.bashrc   # 如果是 Bash 用户
source ~/.zshrc    # 如果是 Zsh 用户

 5. 验证环境变量

配置完成后，运行以下命令验证：

echo $PATH

 6. 测试   nvcc  

运行   nvcc -V  或nvcc --version
，检查输出是否正确。

nvcc -V

或者： 

nvcc --version

如果配置正确，你会看到类似以下的输出：

love@AI:~$ ls /usr/local/cuda-12.8
DOCS      README  compute-sanitizer  extras  include  libnvvp           nvml  share  targets  version.json
EULA.txt  bin     doc                gds     lib64    nsightee_plugins  nvvm  src    tools
love@AI:~$ echo $SHELL
/bin/bash
love@AI:~$ nano ~/.bashrc
love@AI:~$ source ~/.bashrc
love@AI:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2025 NVIDIA Corporation
Built on Wed_Jan_15_19:20:09_PST_2025
Cuda compilation tools, release 12.8, V12.8.61
Build cuda_12.8.r12.8/compiler.35404655_0
love@AI:~$

至此，CUDA算是安装成功并得到验证。

7.驱动程序安装程序（建议）

在官方CUDA安装命令下方，有以下命令选项，强烈建议在验证完CUDA安装正确后，再次运行以下命令（任选其一）以确保安装程序的未来兼容性。

NVIDIA 驱动程序说明（选择一个选项）

 要安装 open kernel module 风格：

sudo apt-get install -y nvidia-open

要安装旧版内核模块风格：

sudo apt-get install -y cuda-drivers

 NVIDIA 驱动程序提供了两种内核模块风格：open kernel module（开源内核模块）和旧版内核模块（proprietary kernel module，专有内核模块）。这两种风格的主要区别在于它们的许可证类型、支持的功能和兼容性。

open kernel module 风格

• 许可证：开源，通常采用 MIT/GPLv2 许可证。

• 支持的 GPU 架构：支持 Turing 及以后的 GPU 架构。

• 支持的功能：支持大多数 Linux GPU 驱动程序的功能，包括 CUDA、Vulkan、OpenGL、OptiX 和 X11。此外，还有一些功能是仅 open kernel modules 支持的，例如 NVIDIA Confidential Computing、Magnum IO GPUDirect Storage(GDS)、Heterogeneous Memory Management(HMM)、CPU affinity for GPU fault handlers 和 DMABUF support for CUDA allocations。

• 兼容性：可能不支持所有旧版专有内核模块支持的特性，例如 NVIDIA virtual GPU(vGPU)、G-Sync on notebooks 和 Preserving video memory across power management events。

旧版内核模块风格

• 许可证：专有，由 NVIDIA 提供。

• 支持的 GPU 架构：支持 Maxwell、Pascal、Volta、Turing 和之后的 GPU 架构。

• 支持的功能：支持所有 NVIDIA GPU 驱动程序的功能，包括那些可能在 open kernel modules 中尚未支持的特性。

• 兼容性：通常更稳定，特别是在支持较旧的硬件和特定的企业级应用场景中。

新手用户推荐
对于新手用户，推荐安装open kernel module 风格的驱动程序，原因如下：

• 开源：更透明，社区支持更广泛。

• 更新：通常包含最新的功能和改进。

• 兼容性：对于大多数现代应用和游戏来说，open kernel modules 提供的兼容性已经足够。

然而，如果你有特定的需求，比如需要使用专有驱动程序中特有的功能，或者你的硬件较旧，可能需要旧版内核模块风格。

在安装驱动程序之前，建议先阅读 NVIDIA 的官方文档，了解不同风格的详细区别和推荐使用场景。此外，确保我们的系统满足安装要求，并按照官方指南进行操作，以避免潜在的兼容性问题。

（二）安装cuDNN

打开CUDA官方网址<建议“deb(network)”方式较为省事>，完整复制全部命令粘贴进WSL2-Ubuntu终端中按回车键运行。

cuDNN 9.8.0 Downloads | NVIDIA Developer

 选项如图所示：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cudnn

1、复制图片/官网下边的全部命令，粘贴到WSL2-Ubuntu终端窗口中，按ENTER键运行

2、执行命令后会自动进行下载和安装：

3、暂时性地验证 cuDNN 安装

此时，暂时性地验证 cuDNN 安装是否成功可以通过以下方法：

检查文件路径的方法
cuDNN 的库文件通常会被安装到`/usr/lib/x86_64-linux-gnu`或`/usr/local/cuda/lib64`目录下。你可以通过以下命令检查这些文件是否存在：

ls /usr/lib/x86_64-linux-gnu/libcudnn*

 输出应该如下所示：

love@AI:~$ ls /usr/lib/x86_64-linux-gnu/libcudnn*
/usr/lib/x86_64-linux-gnu/libcudnn.so
/usr/lib/x86_64-linux-gnu/libcudnn.so.9
/usr/lib/x86_64-linux-gnu/libcudnn.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_adv.so
/usr/lib/x86_64-linux-gnu/libcudnn_adv.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_adv.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_adv_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_adv_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_cnn.so
/usr/lib/x86_64-linux-gnu/libcudnn_cnn.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_cnn.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_cnn_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_cnn_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_engines_precompiled.so
/usr/lib/x86_64-linux-gnu/libcudnn_engines_precompiled.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_engines_precompiled.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_engines_precompiled_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_engines_precompiled_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_engines_runtime_compiled.so
/usr/lib/x86_64-linux-gnu/libcudnn_engines_runtime_compiled.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_engines_runtime_compiled.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_engines_runtime_compiled_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_engines_runtime_compiled_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_graph.so
/usr/lib/x86_64-linux-gnu/libcudnn_graph.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_graph.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_graph_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_graph_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_heuristic.so
/usr/lib/x86_64-linux-gnu/libcudnn_heuristic.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_heuristic.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_heuristic_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_heuristic_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_ops.so
/usr/lib/x86_64-linux-gnu/libcudnn_ops.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_ops.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_ops_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_ops_static_v9.a

从我的提供的输出结果来看，cuDNN 库文件已经成功安装在`/usr/lib/x86_64-linux-gnu`目录下，而不是`/usr/local/cuda/lib64`。这说明 cuDNN 的安装路径是正确的，并且系统已经正确配置了相关的库文件。

以下是验证结果解释：

• cuDNN 库文件存在：

• 我已经找到了多个 cuDNN 的动态链接库（如`libcudnn.so`、`libcudnn.so.9`、`libcudnn.so.9.8.0`）和静态库（如`libcudnn_adv_static.a`、`libcudnn_cnn_static_v9.a`等）。

• 这些文件的存在表明 cuDNN 已正确安装。

• CUDA 目录下没有 cuDNN 文件：

• `/usr/local/cuda/lib64`目录下没有找到 cuDNN 文件，这是因为 cuDNN 的安装路径是`/usr/lib/x86_64-linux-gnu`，而不是`/usr/local/cuda`。

• 这是正常的，因为 cuDNN 的安装路径通常由系统包管理器（如`apt`）决定，而不是手动安装到 CUDA 的目录下。

小结：从我的输出结果来看，cuDNN 已正确安装在   /usr/lib/x86_64-linux-gnu   目录下。

接下来我们将通过安装Anaconda之后，在与系统隔离的虚拟环境中安装Pytorch来完全地验证CUDA和cuDNN的安装是否正确。

 

（三）安装Anaconda

通过查询，截止2025年03月06日，最新版本Anaconda完整文件名为：Anaconda3-2024.10-1-Linux-x86_64.sh

1、通过以下命令下载和安装：

复制命令粘贴到WSL2-Ubuntu终端窗口中，按ENTER键运行

wget -P /tmp https://repo.anaconda.com/archive/Anaconda3-2024.10-1-Linux-x86_64.sh # 下载anaconda安装包至 /tmp 目录下
bash /tmp/Anaconda3-2024.10-1-Linux-x86_64.sh # 安装anaconda

2、执行命令后会自动进行下载完成后会进入安装步骤： 

此时要点击ENTER键后一直按着不松开，来翻页阅读安装前协议

 继续按着ENTER键不松手，直到出现输入框才停止

一直按到出现输入框，按多了也没关系，不输入就不能继续

 用键盘手动输入“yes”，之后按ENTER回车键确认输入。然后进入到下边这个界面：

这会会询问安装位置，默认不修改则继续按一次ENTER键确认使用默认安装路径：

之后安装会询问:是否要集成到shell当中，自动进入默认虚拟环境？ 

建议输入“yes”

 

此时安装完成。

建议关闭终端，然后重新打开，看看是否自动进入默认的conda的base虚拟环境了： 

 可以看到重新打开WSL2-Ubuntu终端后已自动激活base默认的Anaconda虚拟环境了。

3、验证Anaconda的安装

验证 Conda 安装是否成功可以通过以下几种方法。这些方法可以帮助你确认 Conda 是否正确安装，并且能够正常运行。

方法 1：检查 Conda 版本
运行以下命令来检查 Conda 的版本号。如果 Conda 安装成功，它会显示当前的版本信息：

conda --version

如果输出类似以下内容，则说明 Conda 安装成功：

如果没有输出，或者提示`conda: command not found`，则说明 Conda 没有正确安装，或者其路径没有被添加到系统的环境变量中。

方法 2：检查 Conda 环境
运行以下命令来查看当前的 Conda 环境列表：

conda env list

如果 Conda 安装成功，你会看到类似以下的输出，列出所有已创建的 Conda 环境：

 

方法 3：创建并激活新的 Conda 环境
你可以创建一个新的 Conda 环境并激活它，以验证 Conda 的功能是否正常：

• 创建新的环境：

conda create -n testenv python=3.9

• 激活环境：

conda activate testenv

• 检查当前环境：

conda info --envs

如果输出显示当前激活的环境是`testenv`，则说明 Conda 正常工作：

# conda environments:
#
base                     /home/love/miniconda3
testenv               *  /home/love/miniconda3/envs/testenv
```

方法 4：安装并验证 Python 包
在激活的 Conda 环境中，安装一个常用的 Python 包（如`numpy`），并验证其是否正常工作：

• 安装包：

 conda install numpy

• 验证安装：

 python -c "import numpy; print(numpy.__version__)"

如果输出显示了`numpy`的版本号（例如`1.23.4`），则说明 Conda 和 Python 环境正常工作。

方法 5：检查 Conda 配置
运行以下命令来检查 Conda 的配置信息：

conda config --show

这将显示 Conda 的配置文件路径、默认环境路径、通道（channels）等信息。如果输出正常，说明 Conda 的配置文件没有问题。

方法 6：检查 Conda 的初始化
如果你在安装 Conda 后没有运行初始化命令，可能会导致`conda`命令无法正常使用。运行以下命令来初始化 Conda：

conda init

然后重新打开终端窗口，再次运行`conda --version`来验证。

conda --version

小结
通过以上方法，你可以全面验证 Conda 是否正确安装并正常工作。如果在验证过程中遇到问题，请检查以下内容：

• 确保 Conda 的安装路径已添加到系统的环境变量中。

• 确保 Conda 初始化完成。

• 如果仍然有问题，可以尝试重新安装 Conda。

三、安装Pytorch并验证CUDA12.8、cuDNN、Anaconda、Pytorch的安装

（一）安装Pytorch

我们就用默认的base环境来安装torch进行验证WSL2-Ubuntu的整个深度学习环境的搭建是否成功

目前CUDA12.8版本还不支持conda命令安装，今后torch官方会更新出conda包，我们就先用官方给的pip命令安装Preview (Nightly)版：

pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128

 过一会后安装完成：

 接下来我们将用这个重要的深度学习库来验证之前的所有安装。

（二）用Pytorch并验证CUDA12.8、cuDNN、Anaconda、Pytorch的安装

先关闭WSL2-Ubuntu终端后，重新打开WSL2-Ubuntu终端；

在WSL2-Ubuntu终端内输入“python”并回车调起python：

python

 

复制以下整段代理粘贴后按ENTER回车键支持验证：

import torch  # 导入 PyTorch 库print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本号# 检查 CUDA 是否可用，并设置设备（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("设备：", device)  # 打印当前使用的设备
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已启用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已启用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 创建两个随机张量（默认在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 将张量移动到指定设备（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 对张量进行逐元素相加
z = x + y# 打印结果
print("张量 z 的值：")
print(z)  # 输出张量 z 的内容

 如果输出如下，则表明CUDA12.8、cuDNN、Anaconda、Pytorch全部安装成功！

从上边的输出来看，你已经成功地在 Python 中导入了 PyTorch，并且确认了 CUDA 和 cuDNN 的可用性。你的代码运行正常，并且 PyTorch 正在使用 GPU（`cuda:0`）进行计算。以下是对代码和输出的总结：

(base) love@AI:~$ python
Python 3.12.7 | packaged by Anaconda, Inc. | (main, Oct  4 2024, 13:27:36) [GCC 11.2.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch  # 导入 PyTorch 库
"PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本号# 检查 CUDA 是否可用，并设置设备（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("设备：", device)  # 打印当前使用的设备
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已启用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已启用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 创建两个随机张量（默认在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 将张量移动到指定设备（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 对张量进行逐元素相加
z = x + y# 打印结果
print("张量 z 的值：")
print(z)  # 输出张量 z 的内容>>>
>>> print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本号
PyTorch 版本： 2.7.0.dev20250306+cu128
>>>
>>> # 检查 CUDA 是否可用，并设置设备（"cuda:0" 或 "cpu"）
>>> device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
>>> print("设备：", device)  # 打印当前使用的设备
设备： cuda:0
>>> print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
CUDA 可用： True
>>> print("cuDNN 已启用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已启用
cuDNN 已启用： True
>>>
>>> # 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
>>> print("支持的 CUDA 版本：", torch.version.cuda)
支持的 CUDA 版本： 12.8
>>> print("cuDNN 版本：", torch.backends.cudnn.version())
cuDNN 版本： 90701
>>>
>>> # 创建两个随机张量（默认在 CPU 上）
>>> x = torch.rand(5, 3)
>>> y = torch.rand(5, 3)
>>>
>>> # 将张量移动到指定设备（CPU 或 GPU）
>>> x = x.to(device)
>>> y = y.to(device)
>>>
>>> # 对张量进行逐元素相加
>>> z = x + y
>>>
>>> # 打印结果
>>> print("张量 z 的值：")
张量 z 的值：
>>> print(z)  # 输出张量 z 的内容
tensor([[0.8231, 0.9657, 1.3131],[0.8789, 1.4404, 0.8304],[0.8528, 1.3328, 1.9110],[1.0722, 0.6289, 1.4093],[1.1559, 0.8878, 0.5438]], device='cuda:0')
>>>

---

代码运行结果：
PyTorch 版本： 2.7.0.dev20250306+cu128
设备： cuda:0
CUDA 可用： True
cuDNN 已启用： True
支持的 CUDA 版本： 12.8
cuDNN 版本： 90701

---

关键信息：

• PyTorch 版本：`2.7.0.dev20250306+cu128`

• 这是一个开发版本（`dev`），并且是针对 CUDA 12.8 的版本。

• 设备：`cuda:0`

• 表示 PyTorch 已成功检测到 GPU，并将使用第一个 GPU 设备。

• CUDA 和 cuDNN：

• CUDA 可用：`True`，表示系统支持 CUDA，PyTorch 可以利用 GPU 加速。

• cuDNN 已启用：`True`，表示 cuDNN 已启用，这有助于进一步加速深度学习任务。

• 支持的 CUDA 版本：`12.8`，表示 PyTorch 支持 CUDA 12.8。

• cuDNN 版本：`90701`（即 cuDNN 9.7.1）。

---

如果我们遇到任何问题（例如 CUDA 不可用），请确保：

• 检查 GPU 驱动和 CUDA 安装：

• GPU 驱动是最新的。

• 安装了正确版本的 CUDA 和 cuDNN。

• PyTorch 版本与 CUDA 版本兼容。

---

【Windows 11 中部署 Linux 项目 - CSDN App】https://blog.csdn.net/u014451778/article/details/144777265?sharetype=blog&shareId=144777265&sharerefer=APP&sharesource=u014451778&sharefrom=link

至此，在Windosw系统上的WSL2-Ubuntu深度学习环境配置完成，可以在Windosw系统上优雅地借助Windosw的易用性和Linux系统的高效性进行项目部署和开发调试了。