从原理上理解Win11环境下WSL2如何配置pytorch环境并调用NVIDIA GPU

  ↵

如果要在Windows上部署深度学习开发环境，一般来讲比在Ubuntu等环境上要复杂很多。但Win11大幅加强了WSL2的能力，因此基于WSL2，我们可以实现非常简洁的部署流程。大体的操作流程是：

1. 安装WSL2，这部分网上教程很多，不赘述。
2. 在WSL2中依次安装cuda和NVIDIA container toolkit，这部分参考NVIDIA官方教程，不要看网上的二手教程，因为很多教程是错的。
3. 安装docker，这步也建议参考官方教程，网上很多教程也是错的。
4. 安装好后修改 daemon.json，设置default runtime为nvidia，具体格式直接问deepseek。
5. 建议换docker国内镜像，具体操作问deepseek，目前好用的国内镜像源是  https://docker.xuanyuan.me。
6. 测试WSL2中的 nvidia-smi 和 nvcc ，都能正常使用的话，WSL2中的配置就结束了。
7. 接下来是关键一步：在Windows上（不是WSL2环境内）安装docker desktop，安装过程中选中“将WSL作为后端”
8. 在WSL2中安装docker镜像，推荐下面这个镜像，亲测好用。完成这个docker的拉取和container创建后，整个配置流程就结束了。

docker pull pytorch/pytorch:2.1.0-cuda11.8-cudnn8-runtime

接下来讨论一下，为什么在WSL2中使用GPU，需要在Windows中安装docker desktop？

这就要从WSL2的软件架构说起了，与直接在硬件上安装Linux系统不同，所谓“访问GPU”，依然是通过Windows的NVIDIA驱动实现，并不是WSL2直接访问硬件。这也就是为什么很老版本的NVIDIA驱动无法支持WSL访问GPU。

整体的架构如下图，W SL2 本质是虚拟机，不能直接访问物理硬件，通过层层转发，最终执行由Windows的NVIDIA驱动完成，间接实现了WSL2中的容器访问Windows管理的硬件。

 因此，Docker Desktop 是整个链路中的核心"中介"，提供了GPU访问的重要功能：

• Hyper-V 虚拟化层的 PCIe 设备穿透

• Windows/Linux 驱动模型的转换

• GPU 时间片分配和隔离

总结一下，WSL2 的 Docker GPU 支持依赖于完整的传递链：

1. ​必需​：Windows 主机的 Docker Desktop（WSL2 后端）
2. ​必需​：≥465 版本的 NVIDIA Windows 驱动
3. ​必需​：WSL2 内核中的 GPU 虚拟化支持
4. ​必需​：Linux 端的 NVIDIA Container Toolkit

很可惜的是，当前网上并没有哪个教程强调了这一点，导致很多新手在配置环境时忽略了“在Windows下安装docker desktop并以WSL作为后端”这个关键步骤。

本质上还是在于没有从底层原理来理解WSL2。其实学任何技术都一样，如何配置，如何操作，这些其实都是细枝末节，并不本质，本质是底层的技术是如何实现的，理解了它的实现，才能理顺上层的应用，不会去踩那些莫名其妙的坑。