需确保Windows驱动、WSL2内核、CUDA Toolkit三者严格匹配：先用nvidia-smi查宿主驱动支持的最高CUDA版本，再据此安装对应CUDA Toolkit和PyTorch，驱动必须为WSL专用版且重启生效。
在Win11的WSL2环境中直接调用主机NVIDIA显卡运行CUDA深度学习任务，避免双系统重启和虚拟机性能损耗，需确保Windows端驱动、WSL2内核、CUDA Toolkit三者严格匹配且路径配置无误。
确认硬件与系统前提
打开PowerShell（管理员），执行 wsl --list --verbose，确认当前发行版为 WSL2（不是WSL1）；若显示VERSION为1，必须先执行 wsl --set-version <distro-name> 2 升级。
运行 nvidia-smi 查看Windows端驱动版本——这是决定WSL内可装CUDA最高版本的唯一依据。例如显示 CUDA Version: 12.4，则WSL中只能安装 ≤12.4 的CUDA Toolkit，【强行安装更高版本将导致nvcc编译通过但torch.cuda.is_available()返回False】。
访问 NVIDIA WSL官方要求页，核对你的Windows版本是否 ≥22H2（21H2已停止CUDA 12.x支持），并确认BIOS中已开启Intel VT-x或AMD-V虚拟化。
安装WSL专用NVIDIA驱动
这一步不能跳过，也不能用普通Game Ready驱动替代：访问 NVIDIA CUDA on WSL下载页，下载标有 “Windows Subsystem for Linux” 字样的最新驱动（非GeForce Experience自动推送版）。
双击安装，全程默认选项，安装完成后必须重启Windows——不重启会导致WSL内 nvidia-smi 命令无法识别GPU。
重启后，在WSL终端中直接运行 nvidia-smi。如果看到GPU型号、温度、进程列表，说明直通成功；若报错 NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver，大概率是驱动未重启或Hyper-V服务异常，需回退检查第一步。
在WSL中安装匹配的CUDA Toolkit
进入Ubuntu等发行版终端，按顺序执行：
第一步：添加NVIDIA包仓库密钥与源
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/jammy/3bf863cc.pub
echo "deb https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/jammy/ /" | sudo tee /etc/apt/sources.list.d/cuda.list
第二步：更新索引并安装CUDA Toolkit（以CUDA 12.2为例，版本号必须≤第一步查得的nvidia-smi显示值）
sudo apt update && sudo apt install -y cuda-toolkit-12-2
通过 NVIDIA NIM API 调用 Kimi K2.5 视觉模型分析图像，非常适合为 MiniMax M2.5、GLM-5 等非视觉模型赋予视觉能力。
第三步：写入环境变量（仅对当前用户生效，避免影响系统级命令）
echo 'export PATH=/usr/local/cuda-12.2/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.2/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc
验证：运行 nvcc -V 应输出对应版本；运行 cat /usr/local/cuda/version.txt 应与之完全一致。若 nvcc 找不到命令，检查 /usr/local/ 下是否存在 cuda-12.2 目录——不存在说明安装失败，常见原因是网络中断导致apt下载不全，需清理缓存重试：sudo apt clean && sudo apt update。
安装cuDNN与PyTorch GPU版
方法一：使用conda（推荐，自动解决依赖）
先安装Miniconda：wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh && bash Miniconda3-latest-Linux-x86_64.sh -b
创建独立环境：conda create -n torch-gpu python=3.9
激活后安装：conda activate torch-gpu && conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia（此处12.1需与你安装的CUDA Toolkit主版本一致）
方法二：使用pip（需手动匹配cuDNN）
去 cuDNN归档页 下载对应CUDA版本的 Local Installer for Ubuntu (Debian) 包（如 cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64.deb），上传到WSL后执行：sudo dpkg -i cudnn-local-*.deb && sudo apt update && sudo apt install -y libcudnn8
最后安装PyTorch：pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121（cu121表示CUDA 12.1，务必与前面一致）
验证最终效果：python3 -c "import torch; print(torch.cuda.is_available(), torch.cuda.device_count(), torch.__version__)"。输出应为 True 1 x.x.x+cu121。
