在WSL2-Ubuntu中安裝CUDA12.8、cuDNN、Anaconda、Pytorch并驗證安裝

#記錄工作

提示：整個過程最好先開啟系統代理，也可以用鏡像源，確保有官方發布的最新特性和官方庫的完整和兼容性支持。

?期間下載會特別慢，需要在系統上先開啟代理，然后WSL設置里打開網絡模式“Mirrored”,以設置WSL自動使用主機上的代理網絡。

【WLS2怎么設置網絡自動代理 - CSDN App】https://blog.csdn.net/u014451778/article/details/146073726?sharetype=blog&shareId=146073726&sharerefer=APP&sharesource=u014451778&sharefrom=link

一、首先要先確保——windows系統中要正確安裝了以下組件：

（一）顯卡驅動；

下載 NVIDIA 官方驅動 | NVIDIA

（二）Microsoft Visual Studio；

下載 Visual Studio Tools - 免費安裝 Windows、Mac、Linux

（三）CUDA；

CUDA Toolkit 12.8 Downloads | NVIDIA Developer

（四）cuDNN；

CUDA Toolkit 12.8 Downloads | NVIDIA Developer

（五）正確安裝WSL2-Ubuntu版本

要正常安裝WSL2-Ubuntu版本，安裝成功后打開ubuntu界面輸出如下界面：

安裝 WSL | Microsoft Learn

該版本默認是安裝的WSL2-Ubuntu 24.04版本?，也可以選擇其他的ubuntu版本進行安裝。

二、在WSL2-Ubuntu系統中安裝CUDA、cuDNN、Anaoconda

在windows系統中正確安裝完必要組件后，然后才是在WSL2-Ubuntu中按照順序安裝?CUDA、cuDNN、Anaoconda。

打開WSL2-Ubuntu，先安裝CUDA、再安裝cuDNN、最后是Anaconda（管理虛擬環境）

只要windows系統配置好了顯卡驅動，在WSL2中一般不必再另外安裝linux驅動了。

在安裝前可以在WSL2-Ubuntu中使用以下命令進行驗證與顯卡的通信和驅動調用的情況：

nvidia-smi

（一）安裝CUDA

打開CUDA官方網址<建議“deb(network)”方式較為省事>，完整復制全部命令粘貼進WSL2-Ubuntu終端中按回車鍵運行。

CUDA Toolkit 12.8 Downloads | NVIDIA Developer

選項如圖所示：

當然，也可以選WSL-Ubuntu這個選項更把穩。

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-12-8

1、復制圖片/官網下邊的全部命令，粘貼到WSL2-Ubuntu終端窗口中，按ENTER鍵（回車鍵）運行?

2、過程中會要求輸入密碼，輸入ubuntu密碼即可。

3、執行命令后會自動進行下載和安裝：?

4、安裝結束后進行環境變量的編輯：

?a）我們可以按照下面的步驟來永久添加環境變量：

檢查安裝是否成功在配置環境變量之前，先確認 CUDA 是否正確安裝。運行以下命令：ls /usr/local/cuda-12.8/bin/

在 WSL2-Ubuntu 系統中，CUDA 12.8 通常安裝在/usr/local/cuda-12.8目錄下，這個目錄包含了 CUDA 相關的各種組件，如?bin（包含可執行文件，比如?nvcc?編譯器就在這里面）、lib64（包含庫文件）、include（包含頭文件）等。如果在安裝過程中沒有指定其他特殊路徑，這就是默認的安裝位置。我們可以通過以下命令來驗證：

ls /usr/local/cuda-12.8

??如果安裝成功，我們會看到nvcc等工具的列表。如果沒有看到這些文件，可能需要重新檢查安裝步驟。

從我執行?ls /usr/local/cuda-12.8?后的輸出結果來看，CUDA 12.8 似乎已經成功安裝到了?/usr/local/cuda-12.8?目錄下。

接下來，我們需要將?/usr/local/cuda-12.8/bin?目錄添加到系統的?PATH?環境變量中，以便系統能夠找到?nvcc?等命令。

b）配置環境變量環境變量的配置需要根據你的系統類型（Bash 或 Zsh）來操作。

?確認當前使用的 Shell

首先，確認你當前使用的 Shell 是 Bash 還是 Zsh。

我們可以通過以下命令查看：

echo $SHELL

? 如果輸出是 ? /bin/bash ?，則使用 Bash。

? 如果輸出是 ? /bin/zsh ?，則使用 Zsh。

c）編輯環境變量配置文件

以下是常見的配置方法：

對于 Bash 用戶

編輯 ? ~/.bashrc ? 文件，

nano ~/.bashrc

添加以下內容：?

export PATH=/usr/local/cuda-12.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.8/lib64:$LD_LIBRARY_PATH

? 按下 ? Ctrl + X ?，然后按 ? Y ? 確認保存，最后按 ? Enter ? 完成退出。?

保存文件后，運行以下命令使變量生效：

source ~/.bashrc

對于 Zsh 用戶

編輯 ? ~/.zshrc ? 文件，

nano ~/.bashrc

添加相同的內容 :?

export PATH=/usr/local/cuda-12.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.8/lib64:$LD_LIBRARY_PATH

保存文件后，運行以下命令使變量生效（選其一）：

source ~/.bashrc   # 如果是 Bash 用戶
source ~/.zshrc    # 如果是 Zsh 用戶

?5. 驗證環境變量

配置完成后，運行以下命令驗證：

echo $PATH

?6. 測試 ? nvcc ?

運行 ? nvcc -V? 或nvcc --version
，檢查輸出是否正確。

nvcc -V

或者：?

nvcc --version

如果配置正確，你會看到類似以下的輸出：

love@AI:~$ ls /usr/local/cuda-12.8
DOCS      README  compute-sanitizer  extras  include  libnvvp           nvml  share  targets  version.json
EULA.txt  bin     doc                gds     lib64    nsightee_plugins  nvvm  src    tools
love@AI:~$ echo $SHELL
/bin/bash
love@AI:~$ nano ~/.bashrc
love@AI:~$ source ~/.bashrc
love@AI:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2025 NVIDIA Corporation
Built on Wed_Jan_15_19:20:09_PST_2025
Cuda compilation tools, release 12.8, V12.8.61
Build cuda_12.8.r12.8/compiler.35404655_0
love@AI:~$

至此，CUDA算是安裝成功并得到驗證。

7.驅動程序安裝程序（建議）

在官方CUDA安裝命令下方，有以下命令選項，強烈建議在驗證完CUDA安裝正確后，再次運行以下命令（任選其一）以確保安裝程序的未來兼容性。

NVIDIA 驅動程序說明（選擇一個選項）

?要安裝 open kernel module 風格：

sudo apt-get install -y nvidia-open

要安裝舊版內核模塊風格：

sudo apt-get install -y cuda-drivers

?NVIDIA 驅動程序提供了兩種內核模塊風格：open kernel module（開源內核模塊）和舊版內核模塊（proprietary kernel module，專有內核模塊）。這兩種風格的主要區別在于它們的許可證類型、支持的功能和兼容性。

open kernel module 風格

? 許可證：開源，通常采用 MIT/GPLv2 許可證。

? 支持的 GPU 架構：支持 Turing 及以后的 GPU 架構。

? 支持的功能：支持大多數 Linux GPU 驅動程序的功能，包括 CUDA、Vulkan、OpenGL、OptiX 和 X11。此外，還有一些功能是僅 open kernel modules 支持的，例如 NVIDIA Confidential Computing、Magnum IO GPUDirect Storage(GDS)、Heterogeneous Memory Management(HMM)、CPU affinity for GPU fault handlers 和 DMABUF support for CUDA allocations。

? 兼容性：可能不支持所有舊版專有內核模塊支持的特性，例如 NVIDIA virtual GPU(vGPU)、G-Sync on notebooks 和 Preserving video memory across power management events。

舊版內核模塊風格

? 許可證：專有，由 NVIDIA 提供。

? 支持的 GPU 架構：支持 Maxwell、Pascal、Volta、Turing 和之后的 GPU 架構。

? 支持的功能：支持所有 NVIDIA GPU 驅動程序的功能，包括那些可能在 open kernel modules 中尚未支持的特性。

? 兼容性：通常更穩定，特別是在支持較舊的硬件和特定的企業級應用場景中。

新手用戶推薦
對于新手用戶，推薦安裝open kernel module 風格的驅動程序，原因如下：

? 開源：更透明，社區支持更廣泛。

? 更新：通常包含最新的功能和改進。

? 兼容性：對于大多數現代應用和游戲來說，open kernel modules 提供的兼容性已經足夠。

然而，如果你有特定的需求，比如需要使用專有驅動程序中特有的功能，或者你的硬件較舊，可能需要舊版內核模塊風格。

在安裝驅動程序之前，建議先閱讀 NVIDIA 的官方文檔，了解不同風格的詳細區別和推薦使用場景。此外，確保我們的系統滿足安裝要求，并按照官方指南進行操作，以避免潛在的兼容性問題。

（二）安裝cuDNN

打開CUDA官方網址<建議“deb(network)”方式較為省事>，完整復制全部命令粘貼進WSL2-Ubuntu終端中按回車鍵運行。

cuDNN 9.8.0 Downloads | NVIDIA Developer

?選項如圖所示：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cudnn

1、復制圖片/官網下邊的全部命令，粘貼到WSL2-Ubuntu終端窗口中，按ENTER鍵運行

2、執行命令后會自動進行下載和安裝：

3、暫時性地驗證 cuDNN 安裝

此時，暫時性地驗證 cuDNN 安裝是否成功可以通過以下方法：

檢查文件路徑的方法
cuDNN 的庫文件通常會被安裝到`/usr/lib/x86_64-linux-gnu`或`/usr/local/cuda/lib64`目錄下。你可以通過以下命令檢查這些文件是否存在：

ls /usr/lib/x86_64-linux-gnu/libcudnn*

?輸出應該如下所示：

love@AI:~$ ls /usr/lib/x86_64-linux-gnu/libcudnn*
/usr/lib/x86_64-linux-gnu/libcudnn.so
/usr/lib/x86_64-linux-gnu/libcudnn.so.9
/usr/lib/x86_64-linux-gnu/libcudnn.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_adv.so
/usr/lib/x86_64-linux-gnu/libcudnn_adv.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_adv.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_adv_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_adv_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_cnn.so
/usr/lib/x86_64-linux-gnu/libcudnn_cnn.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_cnn.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_cnn_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_cnn_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_engines_precompiled.so
/usr/lib/x86_64-linux-gnu/libcudnn_engines_precompiled.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_engines_precompiled.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_engines_precompiled_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_engines_precompiled_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_engines_runtime_compiled.so
/usr/lib/x86_64-linux-gnu/libcudnn_engines_runtime_compiled.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_engines_runtime_compiled.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_engines_runtime_compiled_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_engines_runtime_compiled_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_graph.so
/usr/lib/x86_64-linux-gnu/libcudnn_graph.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_graph.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_graph_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_graph_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_heuristic.so
/usr/lib/x86_64-linux-gnu/libcudnn_heuristic.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_heuristic.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_heuristic_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_heuristic_static_v9.a
/usr/lib/x86_64-linux-gnu/libcudnn_ops.so
/usr/lib/x86_64-linux-gnu/libcudnn_ops.so.9
/usr/lib/x86_64-linux-gnu/libcudnn_ops.so.9.8.0
/usr/lib/x86_64-linux-gnu/libcudnn_ops_static.a
/usr/lib/x86_64-linux-gnu/libcudnn_ops_static_v9.a

從我的提供的輸出結果來看，cuDNN 庫文件已經成功安裝在`/usr/lib/x86_64-linux-gnu`目錄下，而不是`/usr/local/cuda/lib64`。這說明 cuDNN 的安裝路徑是正確的，并且系統已經正確配置了相關的庫文件。

以下是驗證結果解釋：

? cuDNN 庫文件存在：

? 我已經找到了多個 cuDNN 的動態鏈接庫（如`libcudnn.so`、`libcudnn.so.9`、`libcudnn.so.9.8.0`）和靜態庫（如`libcudnn_adv_static.a`、`libcudnn_cnn_static_v9.a`等）。

? 這些文件的存在表明 cuDNN 已正確安裝。

? CUDA 目錄下沒有 cuDNN 文件：

? `/usr/local/cuda/lib64`目錄下沒有找到 cuDNN 文件，這是因為 cuDNN 的安裝路徑是`/usr/lib/x86_64-linux-gnu`，而不是`/usr/local/cuda`。

? 這是正常的，因為 cuDNN 的安裝路徑通常由系統包管理器（如`apt`）決定，而不是手動安裝到 CUDA 的目錄下。

小結：從我的輸出結果來看，cuDNN 已正確安裝在 ? /usr/lib/x86_64-linux-gnu ? 目錄下。

接下來我們將通過安裝Anaconda之后，在與系統隔離的虛擬環境中安裝Pytorch來完全地驗證CUDA和cuDNN的安裝是否正確。

（三）安裝Anaconda

通過查詢，截止2025年03月06日，最新版本Anaconda完整文件名為：Anaconda3-2024.10-1-Linux-x86_64.sh

1、通過以下命令下載和安裝：

復制命令粘貼到WSL2-Ubuntu終端窗口中，按ENTER鍵運行

wget -P /tmp https://repo.anaconda.com/archive/Anaconda3-2024.10-1-Linux-x86_64.sh # 下載anaconda安裝包至 /tmp 目錄下
bash /tmp/Anaconda3-2024.10-1-Linux-x86_64.sh # 安裝anaconda

2、執行命令后會自動進行下載完成后會進入安裝步驟：?

此時要點擊ENTER鍵后一直按著不松開，來翻頁閱讀安裝前協議

?繼續按著ENTER鍵不松手，直到出現輸入框才停止

一直按到出現輸入框，按多了也沒關系，不輸入就不能繼續

?用鍵盤手動輸入“yes”，之后按ENTER回車鍵確認輸入。然后進入到下邊這個界面：

這會會詢問安裝位置，默認不修改則繼續按一次ENTER鍵確認使用默認安裝路徑：

之后安裝會詢問:是否要集成到shell當中，自動進入默認虛擬環境？?

建議輸入“yes”

此時安裝完成。

建議關閉終端，然后重新打開，看看是否自動進入默認的conda的base虛擬環境了：?

?可以看到重新打開WSL2-Ubuntu終端后已自動激活base默認的Anaconda虛擬環境了。

3、驗證Anaconda的安裝

驗證 Conda 安裝是否成功可以通過以下幾種方法。這些方法可以幫助你確認 Conda 是否正確安裝，并且能夠正常運行。

方法 1：檢查 Conda 版本
運行以下命令來檢查 Conda 的版本號。如果 Conda 安裝成功，它會顯示當前的版本信息：

conda --version

如果輸出類似以下內容，則說明 Conda 安裝成功：

如果沒有輸出，或者提示`conda: command not found`，則說明 Conda 沒有正確安裝，或者其路徑沒有被添加到系統的環境變量中。

方法 2：檢查 Conda 環境
運行以下命令來查看當前的 Conda 環境列表：

conda env list

如果 Conda 安裝成功，你會看到類似以下的輸出，列出所有已創建的 Conda 環境：

方法 3：創建并激活新的 Conda 環境
你可以創建一個新的 Conda 環境并激活它，以驗證 Conda 的功能是否正常：

? 創建新的環境：

conda create -n testenv python=3.9

? 激活環境：

conda activate testenv

? 檢查當前環境：

conda info --envs

如果輸出顯示當前激活的環境是`testenv`，則說明 Conda 正常工作：

# conda environments:
#
base ? ? ? ? ? ? ? ? ? ? /home/love/miniconda3
testenv ? ? ? ? ? ? ? * ?/home/love/miniconda3/envs/testenv
```

方法 4：安裝并驗證 Python 包
在激活的 Conda 環境中，安裝一個常用的 Python 包（如`numpy`），并驗證其是否正常工作：

? 安裝包：

?conda install numpy

? 驗證安裝：

?python -c "import numpy; print(numpy.__version__)"

如果輸出顯示了`numpy`的版本號（例如`1.23.4`），則說明 Conda 和 Python 環境正常工作。

方法 5：檢查 Conda 配置
運行以下命令來檢查 Conda 的配置信息：

conda config --show

這將顯示 Conda 的配置文件路徑、默認環境路徑、通道（channels）等信息。如果輸出正常，說明 Conda 的配置文件沒有問題。

方法 6：檢查 Conda 的初始化
如果你在安裝 Conda 后沒有運行初始化命令，可能會導致`conda`命令無法正常使用。運行以下命令來初始化 Conda：

conda init

然后重新打開終端窗口，再次運行`conda --version`來驗證。

conda --version

小結
通過以上方法，你可以全面驗證 Conda 是否正確安裝并正常工作。如果在驗證過程中遇到問題，請檢查以下內容：

? 確保 Conda 的安裝路徑已添加到系統的環境變量中。

? 確保 Conda 初始化完成。

? 如果仍然有問題，可以嘗試重新安裝 Conda。

三、安裝Pytorch并驗證CUDA12.8、cuDNN、Anaconda、Pytorch的安裝

（一）安裝Pytorch

我們就用默認的base環境來安裝torch進行驗證WSL2-Ubuntu的整個深度學習環境的搭建是否成功

目前CUDA12.8版本還不支持conda命令安裝，今后torch官方會更新出conda包，我們就先用官方給的pip命令安裝Preview (Nightly)版：

pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128

?過一會后安裝完成：

?接下來我們將用這個重要的深度學習庫來驗證之前的所有安裝。

（二）用Pytorch并驗證CUDA12.8、cuDNN、Anaconda、Pytorch的安裝

先關閉WSL2-Ubuntu終端后，重新打開WSL2-Ubuntu終端；

在WSL2-Ubuntu終端內輸入“python”并回車調起python：

python

復制以下整段代理粘貼后按ENTER回車鍵支持驗證：

import torch  # 導入 PyTorch 庫print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本號# 檢查 CUDA 是否可用，并設置設備（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("設備：", device)  # 打印當前使用的設備
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已啟用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已啟用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 創建兩個隨機張量（默認在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 將張量移動到指定設備（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 對張量進行逐元素相加
z = x + y# 打印結果
print("張量 z 的值：")
print(z)  # 輸出張量 z 的內容

?如果輸出如下，則表明CUDA12.8、cuDNN、Anaconda、Pytorch全部安裝成功！

從上邊的輸出來看，你已經成功地在 Python 中導入了 PyTorch，并且確認了 CUDA 和 cuDNN 的可用性。你的代碼運行正常，并且 PyTorch 正在使用 GPU（`cuda:0`）進行計算。以下是對代碼和輸出的總結：

(base) love@AI:~$ python
Python 3.12.7 | packaged by Anaconda, Inc. | (main, Oct  4 2024, 13:27:36) [GCC 11.2.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch  # 導入 PyTorch 庫
"PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本號# 檢查 CUDA 是否可用，并設置設備（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("設備：", device)  # 打印當前使用的設備
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已啟用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已啟用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 創建兩個隨機張量（默認在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 將張量移動到指定設備（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 對張量進行逐元素相加
z = x + y# 打印結果
print("張量 z 的值：")
print(z)  # 輸出張量 z 的內容>>>
>>> print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本號
PyTorch 版本： 2.7.0.dev20250306+cu128
>>>
>>> # 檢查 CUDA 是否可用，并設置設備（"cuda:0" 或 "cpu"）
>>> device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
>>> print("設備：", device)  # 打印當前使用的設備
設備： cuda:0
>>> print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
CUDA 可用： True
>>> print("cuDNN 已啟用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已啟用
cuDNN 已啟用： True
>>>
>>> # 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
>>> print("支持的 CUDA 版本：", torch.version.cuda)
支持的 CUDA 版本： 12.8
>>> print("cuDNN 版本：", torch.backends.cudnn.version())
cuDNN 版本： 90701
>>>
>>> # 創建兩個隨機張量（默認在 CPU 上）
>>> x = torch.rand(5, 3)
>>> y = torch.rand(5, 3)
>>>
>>> # 將張量移動到指定設備（CPU 或 GPU）
>>> x = x.to(device)
>>> y = y.to(device)
>>>
>>> # 對張量進行逐元素相加
>>> z = x + y
>>>
>>> # 打印結果
>>> print("張量 z 的值：")
張量 z 的值：
>>> print(z)  # 輸出張量 z 的內容
tensor([[0.8231, 0.9657, 1.3131],[0.8789, 1.4404, 0.8304],[0.8528, 1.3328, 1.9110],[1.0722, 0.6289, 1.4093],[1.1559, 0.8878, 0.5438]], device='cuda:0')
>>>

---

代碼運行結果：
PyTorch 版本： 2.7.0.dev20250306+cu128
設備： cuda:0
CUDA 可用： True
cuDNN 已啟用： True
支持的 CUDA 版本： 12.8
cuDNN 版本： 90701

---

關鍵信息：

? PyTorch 版本：`2.7.0.dev20250306+cu128`

? 這是一個開發版本（`dev`），并且是針對 CUDA 12.8 的版本。

? 設備：`cuda:0`

? 表示 PyTorch 已成功檢測到 GPU，并將使用第一個 GPU 設備。

? CUDA 和 cuDNN：

? CUDA 可用：`True`，表示系統支持 CUDA，PyTorch 可以利用 GPU 加速。

? cuDNN 已啟用：`True`，表示 cuDNN 已啟用，這有助于進一步加速深度學習任務。

? 支持的 CUDA 版本：`12.8`，表示 PyTorch 支持 CUDA 12.8。

? cuDNN 版本：`90701`（即 cuDNN 9.7.1）。

---

如果我們遇到任何問題（例如 CUDA 不可用），請確保：

? 檢查 GPU 驅動和 CUDA 安裝：

? GPU 驅動是最新的。

? 安裝了正確版本的 CUDA 和 cuDNN。

? PyTorch 版本與 CUDA 版本兼容。

---

【Windows 11 中部署 Linux 項目 - CSDN App】https://blog.csdn.net/u014451778/article/details/144777265?sharetype=blog&shareId=144777265&sharerefer=APP&sharesource=u014451778&sharefrom=link

至此，在Windosw系統上的WSL2-Ubuntu深度學習環境配置完成，可以在Windosw系統上優雅地借助Windosw的易用性和Linux系統的高效性進行項目部署和開發調試了。