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体系代理，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。
期间下载会特殊慢，必要在体系上先开启代理，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、起首要先确保——windows体系中要精确安装了以下组件：
（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）精确安装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
https://i-blog.csdnimg.cn/direct/a86462d2c57b493c94f9e2ca4eee9c78.png
https://i-blog.csdnimg.cn/direct/10d48f4c99b84663b4541edf174ce1ec.png
该版本默认是安装的WSL2-Ubuntu 24.04版本 ，也可以选择其他的ubuntu版本举行安装。
二、在WSL2-Ubuntu体系中安装CUDA、cuDNN、Anaconda
在windows体系中精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、Anaconda。
打开WSL2-Ubuntu，先安装CUDA、再安装cuDNN、末了是Anaconda（管理假造环境）
只要windows体系配置好了显卡驱动，在WSL2中一样平常不必再另外安装linux驱动了。
在安装前可以在WSL2-Ubuntu中使用以下下令举行验证与显卡的通讯和驱动调用的情况：
nvidia-smi https://i-blog.csdnimg.cn/direct/13e4579ee5a84280af8ebc757a7486df.png
（一）安装CUDA
打开CUDA官方网址<发起“deb(network)”方式较为省事>，完整复制全部下令粘贴进WSL2-Ubuntu终端中按回车键运行。
CUDA Toolkit 12.8 Downloads | NVIDIA Developer
选项如图所示：
固然，也可以选WSL-Ubuntu这个选项更把稳。
https://i-blog.csdnimg.cn/direct/d8c974f2c9b74a319866e6023983d931.png
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/官网下边的全部下令，粘贴到WSL2-Ubuntu终端窗口中，按ENTER键（回车键）运行
https://i-blog.csdnimg.cn/direct/61259800a69f422b86a1be78117bae44.png
2、过程中会要求输入密码，输入ubuntu密码即可。
https://i-blog.csdnimg.cn/direct/a68fbf79711f4207b243c36fac2b5023.png
3、执行下令后会自动举行下载和安装：
https://i-blog.csdnimg.cn/direct/fabb6467f7204a8598fd4430128201a8.png
https://i-blog.csdnimg.cn/direct/855f9daaa705491596d49ef0ec258ec5.png
4、安装竣事后举行环境变量的编辑：
a）我们可以按照下面的步调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 是否精确安装。运行以下下令：ls /usr/local/cuda-12.8/bin/
在 WSL2-Ubuntu 体系中，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。我们可以通过以下下令来验证：
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，大概必要重新检查安装步调。
https://i-blog.csdnimg.cn/direct/aecf7653ba5e4706bcbd39107b7e8153.png
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，我们必要将 /usr/local/cuda-12.8/bin 目录添加到体系的 PATH 环境变量中，以便体系能够找到 nvcc 等下令。
b） 配置环境变量环境变量的配置必要根据你的体系类型（Bash 或 Zsh）来操作。
确认当前使用的 Shell
起首，确认你当前使用的 Shell 是 Bash 照旧 Zsh。
我们可以通过以下下令检察：
echo $SHELL • 如果输出是 /bin/bash ，则使用 Bash。
• 如果输出是 /bin/zsh ，则使用 Zsh。
https://i-blog.csdnimg.cn/direct/567ead9c7c2d46c5b58d54eca96b0157.png
c）编辑环境变量配置文件
以下是常见的配置方法：
对于 Bash 用户
编辑 ~/.bashrc 文件，
nano ~/.bashrc
添加以下内容：
export PATH=/usr/local/cuda-12.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.8/lib64:$LD_LIBRARY_PATH • 按下 Ctrl + X ，然后按 Y 确认保存，末了按 Enter 完成退出。
保存文件后，运行以下下令使变量生效：
source ~/.bashrc 对于 Zsh 用户
编辑 ~/.zshrc 文件，
nano ~/.bashrc
添加雷同的内容 :
export PATH=/usr/local/cuda-12.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.8/lib64:$LD_LIBRARY_PATH 保存文件后，运行以下下令使变量生效（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，运行以下下令验证：
echo $PATH
6. 测试 nvcc
运行 nvcc -V 或nvcc --version
，检查输出是否精确。
nvcc -V 或者：
nvcc --version
如果配置精确，你会看到类似以下的输出：
love@AI:~$ ls /usr/local/cuda-12.8DOCS READMEcompute-sanitizerextrasincludelibnvvp nvmlsharetargetsversion.jsonEULA.txtbin doc gds lib64 nsightee_pluginsnvvmsrc toolslove@AI:~$ echo $SHELL/bin/bashlove@AI:~$ nano ~/.bashrc
love@AI:~$ source ~/.bashrclove@AI:~$ nvcc -Vnvcc: NVIDIA (R) Cuda compiler driverCopyright (c) 2005-2025 NVIDIA CorporationBuilt on Wed_Jan_15_19:20:09_PST_2025Cuda compilation tools, release 12.8, V12.8.61Build cuda_12.8.r12.8/compiler.35404655_0love@AI:~$
https://i-blog.csdnimg.cn/direct/33301fcfba254cb18bedc7aa037a7500.png
至此，CUDA算是安装成功并得到验证。
7.驱动步伐安装步伐（发起）
https://i-blog.csdnimg.cn/direct/44fbc8cc7ffb44a594ec5545e866d21b.png
在官方CUDA安装下令下方，有以下下令选项，强烈发起在验证完CUDA安装精确后，再次运行以下下令（任选其一）以确保安装步伐的未来兼容性。
NVIDIA 驱动步伐说明（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 https://i-blog.csdnimg.cn/direct/a92a68c737dd40408867285e69891020.png
NVIDIA 驱动步伐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）。这两种风格的告急区别在于它们的允许证类型、支持的功能和兼容性。
open kernel module 风格
• 允许证：开源，通常采用 MIT/GPLv2 允许证。
• 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 驱动步伐的功能，包罗 CUDA、Vulkan、OpenGL、OptiX 和 X11。此外，尚有一些功能是仅 open kernel modules 支持的，比方 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：大概不支持所有旧版专有内核模块支持的特性，比方 NVIDIA virtual GPU(vGPU)、G-Sync on notebooks 和 Preserving video memory across power management events。
https://i-blog.csdnimg.cn/direct/39f0f2dcab154081bcce295e9b6cfde4.png
旧版内核模块风格
• 允许证：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 驱动步伐的功能，包罗那些大概在 open kernel modules 中尚未支持的特性。
• 兼容性：通常更稳固，特殊是在支持较旧的硬件和特定的企业级应用场景中。
新手用户保举
对于新手用户，保举安装open kernel module 风格的驱动步伐，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，比如必要使用专有驱动步伐中特有的功能，或者你的硬件较旧，大概必要旧版内核模块风格。
在安装驱动步伐之前，发起先阅读 NVIDIA 的官方文档，相识不同风格的具体区别和保举使用场景。此外，确保我们的体系满足安装要求，并按照官方指南举行操作，以制止潜伏的兼容性问题。
（二）安装cuDNN
打开CUDA官方网址<发起“deb(network)”方式较为省事>，完整复制全部下令粘贴进WSL2-Ubuntu终端中按回车键运行。
cuDNN 9.8.0 Downloads | NVIDIA Developer
选项如图所示：
https://i-blog.csdnimg.cn/direct/2e12a8b0f6ba4862a65b40ad317ecfde.png
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/官网下边的全部下令，粘贴到WSL2-Ubuntu终端窗口中，按ENTER键运行
https://i-blog.csdnimg.cn/direct/caba1cf3f9be47b2b5d1e6d59eb1e2c8.png
2、执行下令后会自动举行下载和安装：
https://i-blog.csdnimg.cn/direct/2f0c6cce15f74b28bad4e678803ec4eb.png
https://i-blog.csdnimg.cn/direct/92d7ea1c9d484651b8ba105b56b2fa2b.png
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。你可以通过以下下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 的安装路径是精确的，并且体系已经精确配置了相关的库文件。
https://i-blog.csdnimg.cn/direct/a4b10e067f9a4c1798c072c8512ca98a.png
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 已精确安装。
• CUDA 目录下没有 cuDNN 文件：
• `/usr/local/cuda/lib64`目录下没有找到 cuDNN 文件，这是由于 cuDNN 的安装路径是`/usr/lib/x86_64-linux-gnu`，而不是`/usr/local/cuda`。
• 这是正常的，由于 cuDNN 的安装路径通常由体系包管理器（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 已精确安装在 /usr/lib/x86_64-linux-gnu 目录下。
接下来我们将通过安装Anaconda之后，在与体系隔离的假造环境中安装Pytorch来完全地验证CUDA和cuDNN的安装是否精确。
（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、通过以下下令下载和安装：
复制下令粘贴到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 https://i-blog.csdnimg.cn/direct/e0776b97fd584bdeba07ff0930cee657.png
2、执行下令后会自动举行下载完成后会进入安装步调：
此时要点击ENTER键后不停按着不松开，来翻页阅读安装前协议
https://i-blog.csdnimg.cn/direct/014a77bd771c47a3927dd332dcac13b1.png
继续按着ENTER键不松手，直到出现输入框才停止https://i-blog.csdnimg.cn/direct/cd2d132b2c464bbebe0d364637dbd7fa.png
不停按到出现输入框，按多了也没关系，不输入就不能继续
https://i-blog.csdnimg.cn/direct/b01a6098c6f84a4881b9807885086d2f.png 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：
https://i-blog.csdnimg.cn/direct/17d9135425074da09ee31e774ba1cd74.png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：
https://i-blog.csdnimg.cn/direct/5361b9cbbf234f19a0914fac8e30bdc4.png
之后安装会询问:是否要集成到shell当中，自动进入默认假造环境？
https://i-blog.csdnimg.cn/direct/7519cf83ba7d4d6987c8378b28e2b49b.png
发起输入“yes”
https://i-blog.csdnimg.cn/direct/c67d3a5397544d199006fca99a49d695.png
此时安装完成。
发起关闭终端，然后重新打开，看看是否自动进入默认的conda的base假造环境了：
https://i-blog.csdnimg.cn/direct/aaf755fc3c0941e694994b3b1851ffb6.png 可以看到重新打开WSL2-Ubuntu终端后已自动激活base默认的Anaconda假造环境了。
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 是否精确安装，并且能够正常运行。
方法 1：检查 Conda 版本
运行以下下令来检查 Conda 的版本号。如果 Conda 安装成功，它会表现当前的版本信息：
conda --version
如果输出类似以下内容，则说明 Conda 安装成功：
https://i-blog.csdnimg.cn/direct/c34360d443f5435c8193861b7a1eca8c.png
如果没有输出，或者提示`conda: command not found`，则说明 Conda 没有精确安装，或者其路径没有被添加到体系的环境变量中。
方法 2：检查 Conda 环境
运行以下下令来检察当前的 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：
https://i-blog.csdnimg.cn/direct/e49c102efffc4974aaa210a22ed039ef.png
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
如果输出表现当前激活的环境是`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__)"
如果输出表现了`numpy`的版本号（比方`1.23.4`），则说明 Conda 和 Python 环境正常工作。
方法 5：检查 Conda 配置
运行以下下令来检查 Conda 的配置信息：
conda config --show
这将表现 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 后没有运行初始化下令，大概会导致`conda`下令无法正常使用。运行以下下令来初始化 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 是否精确安装并正常工作。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体系的环境变量中。
• 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
https://i-blog.csdnimg.cn/direct/1e1f61483de744f38128560779daee18.png
我们就用默认的base环境来安装torch举行验证WSL2-Ubuntu的整个深度学习环境的搭建是否成功
https://i-blog.csdnimg.cn/direct/3e0408b683ac425e867b41fd48891314.png
如今CUDA12.8版本还不支持conda下令安装，以后torch官方会更新出conda包，我们就先用官方给的pip下令安装Preview (Nightly)版：
pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128 https://i-blog.csdnimg.cn/direct/ca309b8e76134ff58a4b02f5efb06a95.png
过一会后安装完成：https://i-blog.csdnimg.cn/direct/ae4a42f4540c44aca9a1026bbfcbdd2f.png
接下来我们将用这个告急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 https://i-blog.csdnimg.cn/direct/00464f39f5cd48f986cf49b8f5f6bcab.png
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！
https://i-blog.csdnimg.cn/direct/d517e07b6e424ad59aa3071d376b11e5.png
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`）举行计算。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, Oct4 2024, 13:27:36) 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([,
,
,
,
], device='cuda:0')
>>>
---
代码运行结果：
PyTorch 版本： 2.7.0.dev20250306+cu128
装备： 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。
• 装备：`cuda:0`
• 表示 PyTorch 已成功检测到 GPU，并将使用第一个 GPU 装备。
• CUDA 和 cuDNN：
• CUDA 可用：`True`，表示体系支持 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（比方 CUDA 不可用），请确保：
• 检查 GPU 驱动和 CUDA 安装：
• GPU 驱动是最新的。
• 安装了精确版本的 CUDA 和 cuDNN。
• PyTorch 版本与 CUDA 版本兼容。
---
【Windows 11 中摆设 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体系上的WSL2-Ubuntu深度学习环境配置完成，可以在Windosw体系上优雅地借助Windosw的易用性和Linux体系的高效性举行项目摆设和开发调试了。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]