1. 为什么选择WSL2+Ubuntu20.04做AI开发？

如果你正在Windows系统上学习深度学习或进行AI项目开发，可能会遇到各种环境配置的麻烦。Python版本冲突、CUDA驱动安装失败、Linux特有工具无法使用等问题常常让人头疼。而WSL2（Windows Subsystem for Linux）提供了一个完美的解决方案——它让你能在Windows 11上运行原生的Linux环境，同时保持与Windows系统的无缝集成。

我最初接触WSL2是因为需要在本地调试一些只在Linux服务器上运行的代码。传统虚拟机太笨重，双系统切换又太麻烦。实测下来，WSL2的性能接近原生Linux，特别是文件系统性能比早期的WSL1提升明显。搭配Ubuntu20.04这个长期支持版本(LTS)，系统稳定性也有保障。

对于AI开发来说，这个组合有三大优势：

1. GPU加速支持：WSL2可以直接调用Windows安装的NVIDIA显卡驱动，无需在Linux中重复安装
2. 内存效率高：相比虚拟机，WSL2内存占用更少，我的16GB内存笔记本同时开PyTorch训练和浏览器查资料毫无压力
3. 开发体验好：VSCode的WSL插件让你能在Windows下用熟悉的编辑器操作Linux文件

2. 准备工作：开启虚拟化与安装WSL2

2.1 检查并开启CPU虚拟化

WSL2需要CPU虚拟化技术支持，大多数现代CPU都支持这个功能，但可能默认关闭。我遇到过好几次新手因为没开这个选项导致安装失败的情况。

检查方法很简单：

1. 打开任务管理器（Ctrl+Shift+Esc）
2. 切换到"性能"标签页
3. 查看右下角"虚拟化"状态

如果显示"已禁用"，就需要进入BIOS开启。不同主板的进入方式略有差异：

• 常见品牌机：开机时按F2或Del键
• 联想笔记本：可能需要按Fn+F2组合键
• 华硕主板：通常按F2或Del

进入BIOS后，找到类似"Intel Virtualization Technology"（Intel CPU）或"SVM Mode"（AMD CPU）的选项，将其设置为Enabled。保存退出后，再次检查任务管理器确认已启用。

2.2 安装WSL2核心组件

Windows 11虽然默认支持WSL，但还需要安装两个关键组件：

1. 适用于Linux的Windows子系统
2. 虚拟机平台

安装方法：

# 以管理员身份打开PowerShell
wsl --install

这个命令会自动安装所需组件。如果你想手动安装，可以：

1. 搜索"启用或关闭Windows功能"
2. 勾选上述两个选项
3. 重启电脑

安装完成后，建议将WSL2设为默认版本：

wsl --set-default-version 2

3. 安装Ubuntu20.04 LTS

3.1 从微软商店获取Ubuntu

不同于传统Linux安装，WSL下的Ubuntu安装简单得像下载一个APP：

1. 打开Microsoft Store
2. 搜索"Ubuntu 20.04 LTS"
3. 点击获取（完全免费）

安装完成后，第一次启动会提示设置用户名和密码。这里有个小坑：密码输入时不会显示字符，这是Linux终端的正常行为，不是卡住了，正常输入后回车即可。

如果误关了初始设置窗口，再次打开可能会直接进入root用户。这时可以手动创建新用户：

adduser yourname
usermod -aG sudo yourname  # 赋予sudo权限

3.2 配置终端环境

Windows Terminal是管理WSL的最佳伴侣，建议从微软商店安装。安装后：

1. 打开设置 > 添加新配置文件
2. 选择Ubuntu20.04
3. 可以自定义配色方案和字体

我习惯将默认启动目录设为用户主目录，这样每次打开都在/home/yourname下工作。配置方法是在设置中追加：

"startingDirectory": "\\\\wsl$\\Ubuntu-20.04\\home\\yourname"

验证WSL版本：

wsl -l -v

如果显示版本为1，需要转换：

wsl --set-version Ubuntu-20.04 2

4. VSCode与WSL2的无缝集成

4.1 安装必要插件

VSCode通过Remote - WSL插件实现了对WSL的完美支持。安装步骤：

1. 在扩展商店搜索"Remote - WSL"
2. 安装后左下角会出现绿色远程连接图标
3. 点击图标选择"连接到WSL"

第一次连接会自动在WSL中安装VSCode服务器组件，这个过程可能需要几分钟。连接成功后，你会在左下角看到"WSL: Ubuntu-20.04"的标识。

4.2 优化开发体验

几个实用技巧：

• 文件操作：直接在VSCode资源管理器中右键WSL文件，选择"在本地打开"，就能用Windows应用编辑
• 终端集成：Ctrl+`打开的终端直接是WSL环境，无需额外配置
• 端口转发：WSL中的服务（如Jupyter Notebook）自动映射到Windows的localhost

我习惯在WSL中创建项目目录，然后用VSCode打开：

mkdir ~/projects
code ~/projects

这样所有开发都在Linux环境下进行，但享受Windows的图形界面体验。

5. Anaconda环境配置全攻略

5.1 安装Anaconda

首先更新软件源并安装依赖：

sudo apt update && sudo apt upgrade -y
sudo apt install wget curl git -y

下载Anaconda安装脚本（建议使用国内镜像加速）：

wget https://mirrors.bfsu.edu.cn/anaconda/archive/Anaconda3-2022.05-Linux-x86_64.sh

安装过程需要注意：

1. 按回车阅读许可协议（长按空格快速到底）
2. 输入yes同意条款
3. 安装路径建议保持默认
4. 最后选择"yes"初始化conda

安装完成后，关闭并重新打开终端，你会看到(base)前缀，表示conda基础环境已激活。

5.2 配置国内镜像源

conda和pip默认源在国内可能很慢，更换为国内镜像能大幅提速。

配置conda镜像：

conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/r
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/msys2
conda config --set show_channel_urls yes

配置pip镜像：

pip config set global.index-url https://pypi.mirrors.ustc.edu.cn/simple

验证配置是否生效：

conda info  # 查看channels
pip config list  # 查看pip源

6. 创建深度学习专用环境

6.1 构建Python虚拟环境

为每个项目创建独立环境是个好习惯，避免包冲突。以《动手学深度学习》环境为例：

conda create -n d2l python=3.9 -y
conda activate d2l

安装基础数据科学套件：

conda install numpy pandas matplotlib scikit-learn -y

6.2 安装PyTorch与GPU支持

首先确认CUDA版本：

nvidia-smi  # 需要先在Windows安装NVIDIA驱动

根据CUDA版本选择PyTorch安装命令（以CUDA 11.6为例）：

conda install pytorch torchvision torchaudio cudatoolkit=11.6 -c pytorch -c conda-forge

验证GPU是否可用：

import torch
print(torch.__version__)
print(torch.cuda.is_available())  # 应该返回True
print(torch.version.cuda)  # 显示CUDA版本

如果cuda.is_available()返回False，可能是：

1. Windows的NVIDIA驱动未安装
2. WSL2的CUDA支持未开启（需要Windows 11 21H2以上版本）
3. PyTorch版本与CUDA版本不匹配

6.3 配置Jupyter Notebook

安装Jupyter核心组件：

pip install jupyter notebook

生成配置文件并修改：

jupyter notebook --generate-config
sed -i "s/# c.NotebookApp.token = '<generated>'/c.NotebookApp.token = ''/" ~/.jupyter/jupyter_notebook_config.py

这样启动notebook时就不需要输入token了：

jupyter notebook --ip=0.0.0.0 --no-browser

在VSCode中使用更简单：

1. 安装Jupyter扩展
2. 新建.ipynb文件
3. 右上角选择d2l环境的内核
4. 直接运行代码单元格

7. 性能优化与实用技巧

7.1 文件系统性能调优

WSL2的Linux文件系统性能比Windows文件系统慢很多，建议：

1. 将项目代码放在WSL文件系统内（如~/projects）
2. 大型数据集可以放在Windows分区，通过/mnt/c访问
3. 避免在Windows资源管理器中直接修改WSL文件

可以通过.wslconfig文件调整资源分配（创建在C:\Users\你的用户名下）：

[wsl2]
memory=8GB  # 限制最大内存
processors=4  # 限制CPU核心数
localhostForwarding=true

7.2 常见问题解决

问题1：apt-get update报错"Failed to connect to raw.githubusercontent.com" 解决：这是DNS解析问题，修改WSL的resolv.conf：

sudo rm /etc/resolv.conf
sudo bash -c 'echo "nameserver 8.8.8.8" > /etc/resolv.conf'
sudo bash -c 'echo "[network]" > /etc/wsl.conf'
sudo bash -c 'echo "generateResolvConf = false" >> /etc/wsl.conf'

问题2：VSCode无法连接到WSL 解决：通常是因为WSL实例没有运行，在PowerShell执行：

wsl -d Ubuntu-20.04

问题3：conda环境在VSCode中不显示 解决：在VSCode中按Ctrl+Shift+P，输入"Select Interpreter"，手动选择路径类似：

\\wsl$\Ubuntu-20.04\home\yourname\anaconda3\envs\d2l\bin\python

8. 完整AI开发工作流演示

现在让我们用这个环境跑一个完整的深度学习例子：

1. 下载《动手学深度学习》代码：

git clone https://github.com/d2l-ai/d2l-zh.git
cd d2l-zh/pytorch

2. 安装额外依赖：

pip install d2l

3. 在VSCode中打开chapter_convolutional-neural-networks/lenet.ipynb

4. 逐单元格运行，你会看到：

• 数据自动下载到~/.mxnet/datasets
• 模型训练过程显示实时loss
• GPU利用率可以通过nvidia-smi查看

5. 尝试修改超参数（如batch_size、learning_rate）并重新训练

这套环境足够完成大多数深度学习实验。当需要更强大的算力时，你可以将相同的conda环境导出，轻松迁移到云服务器：

conda env export > environment.yml