当前位置：首页 > news >正文

告别双系统！用 WSL2 的 Ubuntu 24.04 打造 PyTorch 2.2 开发环境（附 Pycharm 远程解释器配置技巧）

news 2026/5/28 5:55:23

告别双系统！用 WSL2 的 Ubuntu 24.04 打造 PyTorch 2.2 开发环境（附 Pycharm 远程解释器配置技巧）

对于算法工程师和深度学习研究者来说，Linux 环境几乎是必备的工作平台。然而，许多人在日常办公中又离不开 Windows 系统的便利。传统解决方案是在机器上安装双系统，但这带来了频繁重启、文件共享不便等问题。现在，通过 WSL2（Windows Subsystem for Linux 2）技术，我们可以在 Windows 系统中获得近乎原生的 Linux 体验，特别是配合 Ubuntu 24.04 和 PyTorch 2.2，能够打造出生产级的深度学习开发环境。

本文将详细介绍如何利用 WSL2 的 GPU 直连特性构建完整的深度学习开发环境，包括 Anaconda 环境配置、PyTorch 安装优化，以及如何通过 PyCharm 的远程解释器功能实现无缝开发体验。我们还会分享一些提高工作效率的技巧，比如 Windows Terminal 的多发行版管理、环境迁移方法等。

1. WSL2 环境准备与优化配置

1.1 启用 WSL2 并安装 Ubuntu 24.04

首先需要确保你的 Windows 系统版本支持 WSL2。建议使用 Windows 10 2004 及以上版本或 Windows 11。以下是检查与安装步骤：

启用虚拟化功能：
- 进入 BIOS/UEFI 设置，确保 Intel VT-x 或 AMD-V 虚拟化技术已启用
- 在任务管理器的"性能"选项卡中确认虚拟化状态为"已启用"

安装 WSL2 组件：

# 以管理员身份运行 PowerShell dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

执行完成后需要重启系统。

设置 WSL2 为默认版本：
```
wsl --set-default-version 2
```
安装 Ubuntu 24.04：
```
wsl --install -d Ubuntu-24.04
```
安装完成后，系统会提示你创建新用户和密码。

提示：如果网络环境导致下载缓慢，可以手动下载发行版包并使用wsl --import命令导入。

1.2 系统基础配置与优化

安装完成后，建议进行以下基础配置：

# 更新软件包列表和已安装的包 sudo apt update && sudo apt upgrade -y # 安装常用工具 sudo apt install -y build-essential git curl wget unzip # 配置SSH服务（方便远程连接） sudo apt install -y openssh-server sudo service ssh start

为了提高 WSL2 的文件系统性能，建议将项目文件存储在 Windows 文件系统中，通过/mnt/目录访问。可以在 WSL2 中创建符号链接：

# 创建项目目录并链接到Windows文件系统 mkdir -p /mnt/c/Projects ln -s /mnt/c/Projects ~/Projects

2. GPU 支持与深度学习环境配置

2.1 配置 NVIDIA GPU 支持

WSL2 支持直接调用宿主机的 NVIDIA GPU，这是进行深度学习开发的关键。配置步骤如下：

安装 Windows 端 NVIDIA 驱动：
- 从 NVIDIA 官网下载最新 Game Ready 驱动（非 Studio 驱动）
- 安装时选择"自定义安装"并勾选"WSL 驱动组件"

在 WSL2 中安装 CUDA Toolkit：

# 添加NVIDIA仓库 wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600 # 安装CUDA sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/3bf863cc.pub sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/ /" sudo apt update sudo apt install -y cuda

验证 GPU 是否可用：
```
nvidia-smi
```
应该能看到与 Windows 端相同的 GPU 信息。

2.2 安装 Miniconda 与 PyTorch 2.2

推荐使用 Miniconda 而非完整的 Anaconda 发行版，它更加轻量且易于管理：

# 下载并安装Miniconda wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 按照提示完成安装后，初始化conda source ~/.bashrc

创建专门的 PyTorch 环境：

# 创建新环境 conda create -n pytorch2.2 python=3.10 -y conda activate pytorch2.2 # 安装PyTorch 2.2与CUDA支持 conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

验证 PyTorch 是否能正确识别 GPU：

import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))

2.3 性能优化技巧

WSL2 的 GPU 性能几乎与原生 Linux 相当，但仍有优化空间：

内存限制调整：在 Windows 用户目录下创建或修改.wslconfig文件：

[wsl2] memory=16GB # 根据你的系统内存调整 processors=8 # CPU核心数 swap=8GB

磁盘性能优化：
- 避免在 WSL2 内部文件系统进行大量小文件操作
- 将项目文件存储在 Windows 文件系统（如/mnt/c/）中

CUDA 缓存配置：

# 设置CUDA缓存目录到Windows文件系统 export CUDA_CACHE_PATH=/mnt/c/temp/cuda_cache mkdir -p $CUDA_CACHE_PATH

3. PyCharm 远程解释器配置

3.1 配置 WSL2 远程解释器

PyCharm Professional 版本支持直接使用 WSL2 作为远程解释器：

在 PyCharm 中打开或创建新项目
进入File > Settings > Project: [your_project] > Python Interpreter
点击齿轮图标选择Add New Interpreter > On WSL
选择 Ubuntu-24.04 发行版和之前创建的 conda 环境路径（通常为~/miniconda3/envs/pytorch2.2/bin/python）

配置完成后，PyCharm 会自动同步项目文件到 WSL2 环境，并在 WSL2 中执行所有 Python 代码。

3.2 高级配置技巧

自动环境同步：
- 在Tools > Deployment > Configuration中设置自动上传
- 勾选Tools > Deployment > Automatic Upload以实时同步文件更改
终端集成：
- 在Settings > Tools > Terminal中设置 Shell 路径为：
```
wsl.exe -d Ubuntu-24.04
```
调试配置优化：
- 在Run/Debug Configurations中为 Python 脚本添加环境变量：
```
LD_LIBRARY_PATH=/usr/local/cuda/lib64
```

3.3 常见问题解决

问题1：PyCharm 无法连接到 WSL2 解释器

解决方案：确保 WSL2 实例正在运行，可以通过wsl -l -v命令检查状态。如果问题持续，尝试重启 PyCharm 和 WSL2。

问题2：GPU 在 PyCharm 中不可用

# 在WSL2终端中运行以下命令检查环境差异 echo $PATH conda list

确保 PyCharm 使用的解释器路径与终端中激活的环境完全一致。

4. 高效开发工作流构建

4.1 Windows Terminal 高级配置

Windows Terminal 是管理 WSL2 的最佳工具，推荐配置：

多发行版管理：

安装多个 Linux 发行版（如 Ubuntu、Debian）

在settings.json中配置不同启动选项：

{ "profiles": { "list": [ { "guid": "{your-guid}", "name": "Ubuntu-24.04 (PyTorch)", "commandline": "wsl -d Ubuntu-24.04 --cd ~/Projects", "startingDirectory": "//wsl$/Ubuntu-24.04/home/username", "icon": "ms-appx:///ProfileIcons/{9acb9455-ca41-5af7-950f-6bca1bc9722f}.png" } ] } }

主题与外观：

安装 Cascadia Code 字体以获得最佳显示效果

配置 Oh My Zsh 增强终端体验：

sudo apt install zsh sh -c "$(curl -fsSL https://raw.githubusercontent.com/ohmyzsh/ohmyzsh/master/tools/install.sh)"

4.2 环境迁移与备份

WSL2 环境可以方便地导出和迁移：

导出当前环境：

wsl --export Ubuntu-24.04 ubuntu_pytorch.tar

导入到新机器：

wsl --import Ubuntu-24.04-PyTorch C:\WSL\Ubuntu-PyTorch ubuntu_pytorch.tar --version 2

conda 环境复制：

# 导出环境配置 conda env export --name pytorch2.2 > pytorch2.2.yaml # 在新机器上创建相同环境 conda env create -f pytorch2.2.yaml

4.3 生产力工具集成

VS Code 远程开发：
- 安装 "Remote - WSL" 扩展
- 直接在 WSL2 环境中打开文件夹，获得完整的 IDE 功能

Docker 集成：

# 安装Docker sudo apt install docker.io sudo usermod -aG docker $USER # 配置Docker使用宿主机的守护进程 echo "export DOCKER_HOST=tcp://localhost:2375" >> ~/.bashrc

Jupyter Notebook 配置：

# 在conda环境中安装 conda install jupyter notebook # 生成配置文件 jupyter notebook --generate-config # 设置允许远程访问 echo "c.NotebookApp.allow_remote_access = True" >> ~/.jupyter/jupyter_notebook_config.py

这套基于 WSL2 的开发环境已经成功应用于多个实际深度学习项目中，从计算机视觉到自然语言处理任务都能完美胜任。相比传统的双系统方案，它不仅节省了重启时间，还能充分利用 Windows 平台的办公软件优势，真正实现了"一次配置，随处开发"的理想工作流。

查看全文

http://www.jsqmd.com/news/569876/