skip to content

Search

Windows WSL 深度学习环境配置教程

31 min read Updated:

本教程介绍如何在 Windows 系统上使用 WSL 安装和配置深度学习环境，包括 Python、PyTorch、Jupyter Notebook 等。

# windows
# wsl
# 深度学习
# python
# pytorch
# jupyter
Not in series

Windows WSL 深度学习环境配置教程

前提：本教程面向在 Windows 系统上零基础搭建深度学习环境的初学者。我们将利用 Windows Subsystem for Linux (WSL) 在 Windows 中运行 Ubuntu 子系统。通过 WSL，可以在 Windows 上无缝使用 Linux 环境，方便安装 Python 与深度学习框架等工具。下面我们将一步步完成 WSL 的安装、Python (Miniconda) 环境配置、虚拟环境管理、PyTorch 安装（CPU/GPU）、Jupyter Notebook/Lab 配置、VS Code/PyCharm 整合，以及常用操作和注意事项。

1. 安装 WSL (Ubuntu) 并进行基础配置

Windows 10 (2004及以上) 或 Windows 11 用户可以直接使用WSL 2。WSL2 提供完整 Linux 内核、良好的性能和对GPU的支持，是推荐版本 。安装步骤如下：

  • 启用 WSL 子系统：在 管理员模式 下打开 PowerShell (开始菜单搜索“PowerShell”，右键选择“以管理员身份运行”)。然后输入以下命令启用 WSL 和虚拟机平台，并自动安装默认的 Ubuntu 发行版 (安装 WSL | Microsoft Learn) ：

    wsl --install

    运行上述命令后，系统会安装所需的组件和 Ubuntu 子系统。第一次启动 Ubuntu 子系统时会弹出控制台进行初始化，你需要设置一个新的 Linux 用户名和密码（与 Windows 无关） 。请牢记这个用户名和密码。

    详细内容请查看官方文档

  • 基础 Linux 配置：Ubuntu 子系统安装后，每次打开都会进入你创建的普通用户主目录 (/home/用户名)。可以使用 Windows Terminal 来打开 WSL，这样能够在标签页中使用Ubuntu终端（需安装Windows Terminal应用，可从 Microsoft Store 获取）。初次进入Ubuntu后，可以尝试运行 uname -a 或 lsb_release -a 来查看Linux版本，并运行基本命令如 pwd、ls 等体验Linux命令行。

💡 提示：WSL 中的 Linux 文件系统与 Windows 是隔离的，但可以互相访问文件。Windows 磁盘在 WSL 中挂载于 /mnt/盘符 路径，比如C盘对应 /mnt/c 。你可以在 WSL 中通过 cd /mnt/c/Users/<你的Windows用户名>访问Windows用户目录。同样地，可以在 Windows 的资源管理器地址栏输入\wsl$\Ubuntu 来访问 Linux 文件系 (跨文件系统工作 | Microsoft Learn)】。建议在Linux环境下处理位于Linux文件系统中的项目文件，在Windows下处理Windows文件系统的文件，以获得最佳性 (跨文件系统工作 | Microsoft Learn)】。

2. 安装 Miniconda (Python)

WSL 就绪后，我们需要安装 Python 环境。推荐使用 Miniconda（Anaconda 的轻量版）来方便地管理 Python 版本和包。Miniconda提供了 conda 包管理器，方便创建隔离的虚拟环境。安装步骤如下（参考资料）：

  • 下载 Miniconda 安装脚本：在 Ubuntu (WSL) 终端中执行下载命令。可以直接从官网获取最新版安装脚本：

    wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

    如果上述官方链接速度较慢，你也可以使用国内镜像，比如清华大学开源镜像站提供的 Miniconda 下载：

    wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh

    下载完成后，运行 ls 查看当前目录下是否有 Miniconda3-latest-Linux-x86_64.sh 文件。

  • 运行安装脚本：执行以下命令启动 Miniconda安装脚本：

    bash Miniconda3-latest-Linux-x86_64.sh

    安装程序将提示一系列步骤：

    1. 查看许可：按 Enter 浏览许可证文本（按空格键可以快速翻页）。
    2. 接受许可：输入 yes 并回车表示接受许可证协。
    3. 选择安装路径：默认会安装到你的 home 目录下的 miniconda3 文件夹，一般直接按 Enter 接受默认路径即可。
    4. 初始化：安装完成后会询问是否运行 conda init 来初始化环境。

    安装过程结束后，Miniconda 会在你的 Linux 主目录下创建 miniconda3 文件夹。

  • 激活 Conda 环境：成功安装后，需要激活 conda 初始化配置。可以关闭当前终端重新打开，或者手动运行：

    source ~/.bashrc

    这一步会使终端 prompt 前出现 (base)，表示 base 环境已激活，并且可以使用 conda 命令。你可以运行 conda --version 检查 conda 是否安装成功。

💡 Miniconda vs Anaconda：Miniconda 只包含最小的 Python 和 conda，安装迅速且占用空间小；而 Anaconda 自带大量科学计算库。对于我们的目的，Miniconda足够且更轻量，后续可按需安装。

3. 创建和管理 Conda 虚拟环境

使用 conda 可以创建独立的虚拟环境来隔离不同项目的包依赖，避免冲突。这对深度学习环境非常重要。下面是常用的 conda 环境管理操作(参考资料)：

  • 创建新环境：使用 conda create 命令新建环境。可以指定环境名称和要安装的 Python 版本，例如创建名为“dl_env”的环境，指定 Python 3.10：

    conda create -n dl_env python=3.10 -y

    执行该命令会下载并安装指定 Python 版本及基础包到一个独立目录。-n dl_env 指定环境名称，-y 自动确认安装。环境创建完成后，你可以通过以下命令查看已创建的环境：

    conda env list

    带 * 的行为当前激活的环境。

  • 激活环境：使用 conda activate <环境名> 切换到该环境。例如，激活刚刚创建的环境：

    conda activate dl_env

    终端前缀会从 (base) 变为 (dl_env)，表示环境切换 。此后安装的包、运行的程序都会在这个环境中进行。

  • 退出环境：使用 conda deactivate 返回上一层环境。

  • 删除环境：若不再需要某个环境，可以删除：

    conda env remove -n <环境名>

    请务必先退出该环境再删除该环境。

  • 其他有用命令：conda list 列出当前环境已安装的包，conda install <pkg> 安装新包，conda update <pkg> 更新包，conda remove <pkg> 卸载包等。

  • conda 最为人诟病的点应该是包管理跟 pip 可能会产生一些冲突, conda 官方给出的最佳方案是：

    • 全程使用 conda install 来安装模块, 实在不行再用 pip
    • 使用 conda 创建完虚拟环境后, 一直用pip来管理模块
      • pip 应使用 –upgrade-strategy only-if-needed 参数运行, 以防止通过 conda 安装的软件包进行不必要的升级. 这是运行 pip 时的默认设置, 不应更改
      • 不要将 pip 与 –user 参数一起使用，避免所有用户安装

💡 建议：除非有特殊需求，否则不要在 base 基础环境中安装大量包。最好创建独立环境（如 dl_env）用于深度学习项目，保持 base 环境干净。例如，你可以为不同项目创建不同环境，如 tf_env（TensorFlow环境）和 torch_env（PyTorch环境）等。激活环境后再安装相应框架和依赖。

4. 安装 PyTorch（区分 CPU 和 GPU）

PyTorch 是深度学习常用框架。下面介绍在 WSL 的虚拟环境中安装 PyTorch 的步骤，包括纯 CPU 版本和支持 GPU 加速的版本。

**① 安装 CPU 版 PyTorch（请优先选择GPU版本）：**如果你的电脑没有独立显卡，或不需要GPU加速，可以安装 CPU 版本。确保激活了前面创建的环境（例如 dl_env），然后运行：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

上述命令将通过 PyTorch 官方Anaconda通道安装适用于CPU的 PyTorch、TorchVision 和 Torchaudio。cpuonly 参数确保不包含CUDA支持。安装完成后，运行 python -c "import torch; print(torch.__version__)" 可验证 PyTorch 是否成功导入，以及输出版本号。

② 安装 GPU 版 PyTorch：

  • Windows端GPU驱动： 如果你在 WSL 或 Linux 系统中，可以在终端输入：

    nvidia-smi

    如果你已经安装驱动，会看到如下类似输出：

    +-----------------------------------------------------------------------------+
| NVIDIA-SMI 552.12       Driver Version: 552.12       CUDA Version: 12.2    |
+-----------------------------------------------------------------------------+
| GPU Name        | Memory Usage | Temperature | ...
| RTX 3060        | 0MiB / 6144MiB | ...

    如果你看到：

    Command 'nvidia-smi' not found

    说明你当前没有 GPU 驱动，或者没有 NVIDIA 显卡。

    显卡驱动（Graphics Driver）是一个让 操作系统（Windows / Linux）能识别和控制你的显卡 的程序。

    安装显卡驱动：进入官网，选择自己电脑的硬件，然后搜索，选择NVIDIA Studio 驱动程序下载，按照安装指导进行下载即可。

  • 安装最新的 NVIDIA 显卡驱动（支持 WSL 的版本）。这一部分请参考官方文档在 WSL 中启用 NVIDIA CUDA

  • WSL 中检测 GPU：驱动安装并重启后，在 Ubuntu WSL 终端中运行 nvidia-smi，应当显示 NVIDIA GPU 列表以及驱动版本和CUDA版本。

  • 安装支持CUDA的PyTorch：

    从pytorch的官方网站上选择对应的版本，使用pip指令进行下载(下面这个示例是安装cuda版本为12.6的命令)

    注：最新的pytorch版本要求python版本>=3.9

    pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

    安装完成后，进入 Python (python) 测试是否可以使用 GPU：

    import torch
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else "No CUDA")

    若输出 True 且设备名正确，说明 PyTorch GPU 版工作正常。

  • 如果conda安装过程遇到网络问题，也可以

⚠️ 注意：不要在 WSL 内自行安装官方的 CUDA Toolkit 或驱动（如通过apt安装），因为WSL2下CUDA的驱动部分由Windows主机提供，错误安装Linux驱动可能导致版本冲突。按照上述方法安装 PyTorch 时，会自动包含运行所需的CUDA库（如cuDNN等）。

③ 验证 PyTorch：安装完PyTorch后，可以在 Python 中执行以下代码测试一个简单的张量运算以确认一切正常：

import torch
x = torch.rand(2, 3)
print("Tensor:", x)
if torch.cuda.is_available():
    print("CUDA is available. GPU:", torch.cuda.get_device_name(0))

这将输出一个随机张量，并在有GPU时打印GPU名称。如果没有GPU，torch.cuda.is_available() 会返回 False。

5. 安装和配置 Jupyter Notebook / JupyterLab

Jupyter Notebook/Lab 是数据科学常用的交互式开发环境。我们可以在 WSL 中运行 Jupyter 服务，然后从 Windows 浏览器访问。安装和配置步骤如下（也可以参考这个文档）：

  • 安装 Jupyter：在前面创建的 conda 环境中安装 Jupyter Notebook 或 JupyterLab。你可以选择安装传统的 Notebook：

    conda install jupyter notebook

  • 启动 Jupyter 服务：在 WSL 中激活你的环境，然后运行：

    jupyter notebook

    默认情况下，Jupyter会在后台启动一个本地服务器（通常监听 localhost:8888 端口），并尝试打开浏览器。由于 WSL 中没有图形界面，浏览器不会在 Linux 中打开，而是在终端中打印出一个包含访问令牌(token)的 URL，例如：

    http://localhost:8888/?token=abcdef123456...

    你需要复制该 URL，然后在 Windows 主机的浏览器中粘贴打开。通常即可看到 Jupyter 的界面。如果浏览器打不开，请确保复制了完整的URL（包括token参数），或参考下文取消token验证。

    • 通常在 Windows 11/10 最新版本中，localhost:8888 会正确映射到WSL中的Jupyter服务。如果无法访问，可以尝试使用 WSL 的 IP 地址替代（通过 ifconfig 或 hostname -I 获取 WSL的内部IP，然后浏览器访问 http://<WSL_IP>:8888）。不过新版WSL已改进了localhost转发，大多数情况下直接用localhost。

  • 关闭 Jupyter 服务：在终端中按 Ctrl+C 可停止 Jupyter 服务。若有未保存的Notebook编辑，会有提示确认。

  • 取消 Token 验证 (免除每次复制token)：默认安全机制下，每次启动Jupyter服务会生成随机访问令牌，需要在浏览器中输入或随URL附带。为了简化本地使用，我们可以设置固定密码或免密登录。由于本教程针对本机使用，下面介绍免密码的配置方法：

    1. 生成配置文件：首次使用时运行命令：

      jupyter notebook --generate-config

      这将在 ~/.jupyter/ 目录下生成 jupyter_notebook_config.py（Jupyter Lab同样适用此配置）。

    2. 编辑配置文件：使用Linux文本编辑器打开该文件，例如（这里也可以使用vim，或者直接用记事本打开文本文件进行修改）：

      nano ~/.jupyter/jupyter_notebook_config.py

      （nano是简易终端编辑器，WSL默认可能安装了，若无可先 sudo apt install nano）。找到以下两行，将前面的 # 去掉并做：

      c.ServerApp.token = ''
c.ServerApp.password = ''

      这两个设置将禁用启动 token 和密码验证，从而实现打开 Notebook 时不要求任何认证。为了让浏览器直接访问，我们还可以继续在文件中找到或添加如下设置：

      c.ServerApp.allow_remote_access = True
c.ServerApp.disable_check_xsrf = True
c.ServerApp.ip = '0.0.0.0'
c.ServerApp.port = 8888
c.ServerApp.open_browser = False

      这些配置分别含义为：允许远程访问（非本机请求），禁用跨站验证请求（XSRF），监听所有IP（包括WSL外部），指定端口8888，以及不自动弹出。修改后保存文件并退出编辑器。

    3. 重新启动 Jupyter：现在再次运行 jupyter notebook（或lab），终端将不再显示 token。此时直接在浏览器访问 http://localhost:8888 即可看到 Jupyter 主界面，无需输入密码token。

    ⚠️ 注意安全：禁用 token/password 意味着在本机无需验证即可访问 Notebook 服务。切勿在公共网络环境下启用此配置，否则可能有安全风险。本设置仅在离线或防火墙保护的本地使用时方便调试。生产环境下建议设置密码而非完全禁用认证。

  • 使用 Jupyter Notebook/Lab：打开浏览器访问 Jupyter 后，可以创建 Notebook、编写和运行 Python 代码。JupyterLab 提供了多标签页界面，左侧还有文件浏览器，更加直观。在WSL中运行的Jupyter，与Windows上的浏览器交互良好，你可以像普通本地Notebook一样使用它。存储的文件实际上位于WSL的Linux系统中（例如默认启动目录为 ~/）。你可以在Jupyter里浏览 /mnt/c 挂载来打开Windows文件。不过推荐在Linux侧进行项目文件管理，避免不同文件系统来回切换。

6. 安装 VSCode 或 PyCharm 并配置与 WSL 的连接

良好的开发环境有助于提高效率。Visual Studio Code (VS Code) 是免费且对 WSL 支持极佳的编辑器，而 PyCharm 则是强大的Python IDE（其专业版支持WSL）。你可以根据偏好选择，它们都可以在Windows上运行但使用WSL内的Python环境。这部分主要参考了官方文档

使用 VS Code + Remote WSL（推荐）

  1. 安装 VS Code：从 VS Code 官网下载安装包并安装 Windows 版 VScode。安装时勾选“添加到 PATH”的选项，这样方便从命令行启动 VScode。
  2. 安装 Remote WSL 扩展：启动 VSCode，点击左侧扩展商店图标，在搜索框输入“WSL”，找到 Remote - WSL 扩展并安装。安装完扩展后，重新加载 VSCode。
  3. 连接到 WSL：现在有几种方式打开WSL环境中的项目：
    • 在WSL终端中：进入Linux目录后，直接运行 code . 。这会触发 VSCode 打开当前目录，并通过Remote WSL扩展在WSL中启动VSCode。第一次使用时VSCode会自动在WSL内安装一些服务器组件，请耐心等待完成。
    • 在VSCode中：按 Ctrl+Shift+P 调出命令面板，输入“WSL”并选择“WSL: Connect to WSL”或“WSL: 新建 WSL 窗口” 。这样会打开一个针对WSL的VSCode窗口，然后可以通过 File -> Open Folder 打开Linux里的文件夹。
    • 连接成功的标志是在 VSCode 窗口左下角的绿色远程指示器上会显示 “WSL: <你的发行版名称>” (例如 “WSL: Ubuntu”)。此时，VSCode的终端、文件浏览等都是在Linux环境下操作。
  4. 安装 VSCode 扩展（Python等）：在远程WSL模式下，建议安装适用于Linux的Python扩展。VSCode在WSL下打开时，扩展面板会区分本地和WSL。若某些扩展未在WSL中安装，会出现一个按钮提示“在WSL中安装”。点击为WSL环境单独安装Python扩展、Pylance等，以获得语法高亮、智能提示和调试功能。
  5. 选择解释器：当你在VSCode中打开WSL的项目并创建Python文件/Notebook时，VSCode可能提示选择Python解释器。你可以在VSCode窗口底部蓝色状态栏点击Python版本，或按 Ctrl+Shift+P 输入 “Python: Select Interpreter”。在列表中选择 /home/<user>/miniconda3/envs/dl_env/bin/python (如果你使用conda环境)，这样可以让VSCode在该环境下运行代码。之后VSCode运行、调试Python代码都会使用WSL内的这个环境，非常方便。

💡 VSCode 优势：使用VSCode连接WSL，等于在Linux下开发但享受Windows图形界面，既可以使用Linux的工具链，也能直接访问Windows。你可以在VSCode集成终端中直接运行Linux命令。VSCode还支持在Notebook界面直接运行Jupyter（安装官方Jupyter扩展后，在.py或.ipynb文件中可以选择使用内置Notebook界面）。

使用 PyCharm (Professional) 配合 WSL

PyCharm 专业版支持将 WSL 中的解释器当作远程解释器使用，从而在Windows上编写代码、调用WSL内的Python环境执行。若你拥有 PyCharm 专业版，可以按以下思路配置（这部分主要参考的官方文档）：

  1. 安装 PyCharm：从JetBrains官网下载并安装 PyCharm。在WSL中确保你已经安装好所需的Python（我们已用Miniconda安装）。建议先在WSL中创建好一个conda环境（如 dl_env）并安装好了需要的包（如PyTorch）。
  2. 配置WSL解释器：打开 PyCharm 的 Settings（设置） -> Project: … -> Python Interpreter -> 点右侧设置图标 -> Add. 在弹出的“添加解释器”对话框，选择 On WSL。PyCharm会检测你的WSL发行版，比如“Ubuntu”；点击 Next。
  3. 选择环境：接下来可以选择在WSL中的：解释器
    • 若要使用已有的conda环境，选择 Conda Environment，然后在下方填写 Python 可执行文件路径。例如路径类似 /home/<user>/miniconda3/envs/dl_env/bin/python（可以在WSL下用 which python 获取路径）。
    • 或选择 System Interpreter 使用系统默认Python，或 Virtualenv Environment 创建一个新的虚拟环境（不推荐新建，直接使用conda环境即可）。
  4. 完成配置：点击 Create 完成。PyCharm 将连接WSL，索引该环境的库。之后在PyCharm底部状态栏会显示所选的WSL解释器。如果一切正常，你就可以像在本地一样运行、调试，只是代码实际上在WSL的Linux环境中执行。
  5. 同步工具：PyCharm会使用 WSL 内的 \\wsl$ 路径访问文件。如果你的项目在Windows文件系统，需要确保PyCharm的路径映射正确（PyCharm通常会自动处理）。建议把项目直接放在WSL的Linux目录下，这样路径最简单，如 /home/<user>/projects/myproj。

⚠️ 社区版 PyCharm：很遗憾，PyCharm 社区版不直接支持WSL远程。如果你没有专业版，可以考虑使用VSCode方案或者使用PyCharm的SSH Remote Interpreter功能配合类似ssh localhost到WSL的方法（较繁琐，不在本教程展开）。

总的来说，对于零基础用户，VS Code + WSL 是非常顺畅的开发体验，而且完全免费。配置完成后，你可以在VSCode中使用我们在WSL安装的conda环境来编写和运行深度学习代码，无需离开VSCode界面。

7. 常用 Linux 指令和操作入门

在WSL的Ubuntu中，掌握一些基本的Linux命令会非常有帮助：

  • 文件/目录操作：
    • pwd：打印当前工作目录 (print working directory)。
    • ls：列出当前目录内容（加 -l 参数可显示详细信息，加 -a 可包括隐藏文件）。
    • cd <目录>：切换目录。例：cd ~/projects 切换到 home 下的 projects 目录；cd .. 返回上级目录。
    • mkdir <目录名>：创建新目录。
    • cp <源> <目的>：复制文件或目录（加 -r 复制目录及其内容）。
    • mv <源> <目的>：移动或重命名文件/目录。
    • rm <文件>：删除文件（加 -r 删除目录及内容 小心使用）。
    • cat <文件>：查看文本文件内容（head 查看前几行，tail 查看最后几行）。
  • 包管理和系统：
    • sudo apt install <软件名>：通过APT包管理器安装软件包（例如 sudo apt install git 安装 Git）。首次使用APT前通常先运行 sudo apt update 更新软件源索引。
    • sudo apt remove <软件名>：卸载软件。
    • top 或 htop（需自行安装）：实时查看进程和系统资源占用。
    • free -h：查看内存使用情况，df -h 查看磁盘使用情况。
  • Conda/Pip：
    • conda activate <环境> / conda deactivate：激活/退出环境（如第3节所述）。
    • conda install <包名>：安装包到当前环境。
    • pip install <包名>：在当前环境下用pip安装Python包（通常在想安装conda仓库没有的包时使用）。
    • pip list 或 conda list：列出已安装包。
  • 运行Python脚本：
    • 在终端中进入脚本所在目录，执行 python script.py 即可运行（这里的python会使用当前激活环境的Python）。
    • 进入Python交互式解释器：直接输入 python 或 ipython（后者需要 pip install ipython 安装）。
  • WSL命令：
    • 在Windows中可通过命令 wsl 或 ubuntu 打开WSL终端。wsl -l -v 列出WSL发行版版本（前面提到）。
    • wsl --shutdown：强制关闭所有WSL实例。有时WSL资源占用过高或GPU驱动更新需要重启WSL，可使用此命令，然后再次启动Ubuntu。
    • WSL中调用Windows可执行文件：直接输入Windows程序名称即可运行，例如在WSL中输入 explorer.exe . 可打开当前目录在Windows资源, 输入 code . 调用VSCode 等。
  • 编辑器：
    • Ubuntu预装了vim（高阶一些）和nano（简单易用）。nano <文件> 可进入一个简单编辑界面，编辑完按 Ctrl+O 保存，Ctrl+X 退出。
    • 如果安装了 VSCode 的 Remote WSL，可以直接在VSCode中编辑WSL的文件，这对新手来说更直观（参见第6节）。
  • 退出WSL：
    • 直接关闭终端窗口即可。如果需要从WSL内部退出到Windows终端，输入 exit 即可关闭当前Shell会话。

掌握以上基础命令足以完成多数基本操作。如果需要了解特定命令的用法，可以使用 man <命令> 查看手册，或在网上查找使用示例。

8. 其他建议配置与技巧

在搭建完基本环境后，这里介绍一些实用的优化和技巧，帮助初学者更顺畅地使用深度学习环境（参考文档）：

  • 配置 pip 国内镜像源：pip 默认从 Python 官方的 PyPI 下载包，在国内可能较慢。可以配置 pip 使用国内镜像源以提升速度。方法：在主目录下创建文件 ~/.pip/pip.conf，写入：

    [global]
timeout = 6000
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn

    这样 pip 安装包时将从清华镜像加速。此外，Anaconda的默认源也可以通过配置 .condarc 切换为清华镜像源，参考第2节可选步骤或 Anaconda 镜像站说明。

  • 环境变量配置：如果你经常需要自定义 Linux 环境变量（如 PATH、http_proxy 等），可以编辑 ~/.bashrc 或 ~/.bash_profile 文件添加 export VAR=value 行。每次打开WSL时这些脚本都会执行。Miniconda 安装时已自动在 .bashrc 末尾添加了初始化代码（conda initialize），确保不要删除它，否则 conda 命令将不可用。你也可以在 .bashrc 中配置一些别名(alias)提升效率，例如：

    alias ll='ls -alF'   # 定义 ll 为 ls -alF 列表别名

    添加后保存文件，source ~/.bashrc 让修改立即生效。

  • GPU 使用建议：在WSL下使用GPU进行训练时，显存资源由Linux这边管理，但实际上还是调用Windows驱动。如果需要同时在Windows上使用GPU（例如运行Windows程序如浏览器、IDE也在占用显卡），要注意显存是否够用。nvidia-smi 可以在Windows PowerShell和WSL下分别运行，观察两个系统的GP-L0】。通常训练时尽量不要让Windows前台占用过多GPU资源。另外，目前WSL不支持AMD显卡通过CUDA，但可通过DirectML使用（需框架特别版本），超出本文范围。

  • 保持 WSL 和驱动更新：WSL是actively维护的，建议不时运行 wsl --update 更新Linux内核，以获得新功能和修复(特别是GPU)。

  • 备份环境：当配置好环境后，最好做好备份。例如导出conda环境依赖列表：conda env export > env.yaml 保存环境规格。这样在别的机器或重装时，可以用 conda env create -f env.yaml 恢复相同环境（需要相同平台）。重要数据和代码也应定期备份(可以利用Windows的工具或Git进行版本管理)。