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Windows系统上通过WSL运行CUDA深度学习任务，需让WSL2子系统直通调用主机NVIDIA显卡算力，避免双系统重启或虚拟机性能损耗，核心在于Windows驱动、WSL2内核、CUDA Toolkit三者版本严格对齐。

确认WSL2与GPU硬件前提

以管理员身份打开PowerShell，执行wsl --list --verbose，检查目标发行版VERSION列为2；若为1，必须立即执行wsl --set-version <distro-name> 2</distro-name>升级，否则后续所有CUDA操作均无效。

在Windows端按Win+R输入cmd，运行nvidia-smi，重点查看输出末尾的CUDA Version: X.Y——这是你能在WSL中安装CUDA Toolkit的最高上限，例如显示12.4，则WSL中不可安装12.5及以上版本。

访问NVIDIA WSL官方文档，确认当前Windows版本≥22H2（21H2已停止CUDA 12.x支持），并进入BIOS开启Intel VT-x或AMD-V虚拟化；未启用会导致nvidia-smi在WSL中始终报“no devices found”。

安装WSL专用NVIDIA驱动

这一步不能跳过，也不能用GeForce Experience自动推送的Game Ready驱动替代：必须前往NVIDIA CUDA on WSL下载页，下载标有“Windows Subsystem for Linux”字样的最新驱动安装包（如535.129.03或更高）。

双击运行安装程序，全程保持默认选项；安装完成后必须重启Windows——不重启将导致WSL内nvidia-smi命令完全不可用，且Hyper-V服务可能异常，无法回退修复。

重启后，在WSL终端中直接运行nvidia-smi。若看到GPU型号、温度、Memory-Usage及空进程列表，说明GPU直通成功；若报错NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver，请立即返回第一步检查WSL2版本与Windows驱动重启状态。

Learning System

AI 领域系统学习体系。管理知识图谱、深度学习笔记、实战复盘和关联网络。触发场景：学习计划、知识图谱更新、深度研究某个 AI 主题、实战复盘总结、调研后沉淀知识、每周学习回顾。当用户说'学了什么'、'总结一下'、'沉淀知识'、'复盘'、'更新图谱'、'深入研究'、'写笔记'、'学习回顾'、'review what...

下载

在WSL中安装匹配的CUDA Toolkit

第一步：添加NVIDIA官方仓库密钥与源
执行以下两条命令（注意替换jammy为你的Ubuntu代号，如22.04用jammy，24.04用noble）：
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
运行sudo apt update && sudo apt install -y cuda-toolkit-12-4（此处12-4须≤第一步nvidia-smi显示的CUDA Version）；若显示为12.8，则可改用cuda-toolkit-12-8。安装过程约需5–8分钟，期间不要中断APT进程。

第三步：配置环境变量
编辑~/.bashrc：nano ~/.bashrc，在文件末尾追加：
export PATH=/usr/local/cuda-12.4/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.4/lib64:$LD_LIBRARY_PATH
保存后执行source ~/.bashrc使配置生效。

第四步：验证CUDA基础功能
运行nvcc --version确认编译器版本；再运行nvidia-smi二次确认GPU在线；最后执行cd /usr/local/cuda-12.4/samples/1_Utilities/deviceQuery && sudo make && ./deviceQuery，若输出Result = PASS即表示CUDA kernel可正常加载。

安装PyTorch并验证GPU可用性

方法一：使用pip安装官方预编译包
访问PyTorch官网，选择Linux → Pip → CUDA Version对应你安装的CUDA（如12.4），复制安装命令。例如：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124
执行后等待完成，该方式自动匹配cuDNN与CUDA版本，无需手动干预。

方法二：使用conda（仅限已装Anaconda/Miniconda）
先创建新环境：conda create -n pt-gpu python=3.10，激活后运行：
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia
注意：conda渠道的pytorch-cuda=12.4必须与WSL中实际安装的CUDA Toolkit主版本一致，否则torch.cuda.is_available()将返回False。

验证GPU是否真正就绪：
启动Python交互环境，依次执行：
import torch
print(torch.cuda.is_available()) → 应输出True
print(torch.cuda.device_count()) → 应返回GPU数量（如1）
print(torch.cuda.get_current_device()) → 应返回设备ID（如0）
若任一结果为False或报错，说明CUDA Toolkit与PyTorch版本不匹配，需重新核对nvidia-smi输出值并重装。