Windows 上搭建 WSL2 + GPU 直通深度学习环境全攻略

1. 为什么要在 Windows 上折腾 WSL2 而不是装双系统

很多人第一次接触深度学习开发时，都会面临一个经典的选择题：到底是在 Windows 上直接跑，还是装个 Ubuntu 双系统，或者干脆买台 Linux 服务器。我前后试过这三种方案，最后稳定下来的工作流是 WSL2 + GPU 直通。这不是因为它完美，而是它在"折腾成本"和"实际性能"之间找到了一个让我愿意长期用的平衡点。

先说双系统的问题。装双系统意味着每次切换要重启，Windows 下写了一半的代码、开着的浏览器标签、正在跑的微信，全都要关掉。更麻烦的是磁盘分区，Ubuntu 那边给少了不够用，给多了 Windows 这边又紧张。我有一台 512G 的笔记本，分给 Ubuntu 150G，结果跑两个大模型的数据集就满了，迁移数据又是一通折腾。而且双系统下访问 Windows 的文件需要挂载，权限问题经常让人抓狂。

再说纯 Windows 方案。PyTorch 和 CUDA 在 Windows 上确实能跑，但生态的坑明显更多。很多开源项目默认就是 Linux 环境，安装脚本是.sh而不是.bat，依赖里动不动就是apt-get install。你可能会说可以用 conda 绕过去，但遇到需要编译的库，比如某些自定义 CUDA 算子、flash-attention这类，Windows 下的编译工具链能把人逼疯。我印象最深的一次是装bitsandbytes，Windows 下折腾了两个小时没搞定，换到 WSL2 里一条pip install就过了。

WSL2 的核心价值在于：它是一个真正的 Linux 内核，跑在轻量级虚拟机里，但和 Windows 的文件系统、网络、GPU 是打通的。你可以在 Windows 的终端里直接wsl进入 Ubuntu，也可以在 VS Code 里用 Remote-WSL 插件无缝编辑 Linux 里的代码。GPU 直通意味着 CUDA 和 PyTorch 能直接调用你 Windows 主机上的显卡，不需要额外配置。实测下来，同一张 RTX 3060，WSL2 里跑 PyTorch 训练的速度和原生 Ubuntu 差距在 3% 以内，日常开发完全够用。

这篇文章适合谁？如果你是用 Windows 笔记本或台式机做 AI 开发，手上有 NVIDIA 显卡，想用 Linux 生态但又不想放弃 Windows 的便利，那 WSL2 就是为你准备的。如果你完全没碰过 Linux 命令行，也不用怕，我会把每一步都拆开讲，包括那些官方文档里不会写的坑。

2. 装 WSL2 之前必须确认的三件事

2.1 系统版本和虚拟化支持

WSL2 对系统有硬性要求：Windows 10 版本 2004 及以上（内部版本 19041+），或者 Windows 11。检查方法很简单，按Win + R输入winver，看版本号。如果是 Windows 10 但版本太低，先去 Windows Update 升到最新。

虚拟化是另一个容易忽略的点。WSL2 底层用的是 Hyper-V 的轻量级虚拟化技术，所以 BIOS 里的虚拟化必须打开。怎么确认？打开任务管理器，切到"性能"标签，看 CPU 那一栏，如果右下角显示"虚拟化：已启用"，就没问题。如果显示"已禁用"，需要重启进 BIOS，找到Intel VT-x或AMD-V选项打开。不同主板的位置不一样，华硕一般在 Advanced 菜单下，联想在 Configuration 里，实在找不到就搜你主板型号加"开启虚拟化"。

还有一个坑：如果你之前装过 VMware 或 VirtualBox，它们可能和 Hyper-V 冲突。VMware Workstation 15.5 以后的版本已经兼容了，但老版本需要升级。VirtualBox 6.0 以后也支持，但性能会受影响。我的建议是，如果主要用 WSL2，就把 VirtualBox 卸了，避免莫名其妙的冲突。

2.2 显卡驱动的正确安装方式

这是最容易踩坑的地方。很多人以为 WSL2 里要单独装 NVIDIA 驱动，其实不是。正确的做法是：只在 Windows 主机上装驱动，WSL2 里不要装驱动，只装 CUDA Toolkit。

具体来说，去 NVIDIA 官网下载 Windows 版的 Game Ready 或 Studio 驱动，安装。这个驱动里已经包含了 WSL2 需要的 GPU 直通组件。装完之后，在 PowerShell 里输入nvidia-smi，如果能看到显卡信息，说明 Windows 这边没问题。

然后进 WSL2 的 Ubuntu，不要运行apt install nvidia-driver-xxx这类命令。你只需要装 CUDA Toolkit，它会自动识别 Windows 主机传过来的 GPU。怎么验证？在 WSL2 里输入nvidia-smi，如果也能看到显卡信息，说明直通成功。如果报错command not found，说明 CUDA Toolkit 没装好，或者路径没配。

我踩过的一个坑是：先在 WSL2 里装了nvidia-cuda-toolkit（Ubuntu 仓库里的版本），结果和 Windows 驱动版本不匹配，nvidia-smi报错 "Failed to initialize NVML: Driver/library version mismatch"。解决办法是卸载 Ubuntu 仓库的版本，去 NVIDIA 官网下载对应的 CUDA Toolkit 安装包。版本对应关系很重要，后面会细说。

2.3 磁盘空间的规划

WSL2 默认把 Ubuntu 装在 C 盘，路径大概是C:\Users\你的用户名\AppData\Local\Packages\CanonicalGroupLimited...。这个目录会随着你装包、下数据集不断膨胀。我见过有人 C 盘被 WSL2 吃掉 100G 的案例。

如果你 C 盘空间紧张，有两个方案。一是装的时候就指定安装位置，用wsl --import命令手动导入发行版到 D 盘。二是装完之后迁移，用wsl --export导出，再wsl --import导入到新位置。具体命令后面会讲。

另外，WSL2 的虚拟磁盘文件（ext4.vhdx）是动态增长的，但删除文件后不会自动缩小。也就是说，你下了 50G 数据集，用完删了，这 50G 空间不会还给 Windows。需要手动压缩，用diskpart或者Optimize-VHD命令。这个后面也会细说。

3. 从零开始：WSL2 和 Ubuntu 的安装实操

3.1 一条命令搞定 WSL2 安装

Windows 11 和较新的 Windows 10 版本，安装 WSL2 已经简化到一条命令。以管理员身份打开 PowerShell，输入：

wsl --install

这条命令会自动做几件事：启用 WSL 和虚拟机平台功能、下载 WSL2 内核、安装 Ubuntu 发行版。装完之后重启电脑，重启后会弹出一个 Ubuntu 窗口，让你设置用户名和密码。

如果你想要指定发行版，比如 Ubuntu 22.04，可以先用wsl --list --online看有哪些可选，然后：

wsl --install -d Ubuntu-22.04

我推荐用 Ubuntu 22.04 LTS，因为它的软件源比较新，Python 3.10 是默认版本，对 PyTorch 和 CUDA 的支持都很好。Ubuntu 20.04 也能用，但 Python 3.8 有点老，有些新库要求 3.9+。

如果wsl --install报错，比如提示"WSL 尚未准备就绪"，通常是两个原因：一是虚拟化没开，二是 Windows 功能没启用。手动启用的命令是：

dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

然后重启，再运行wsl --install。

3.2 把 Ubuntu 装到 D 盘的正确姿势

默认装到 C 盘的问题前面说了，如果你一开始就想装到 D 盘，流程是这样的。先确保 WSL2 已经启用，但还没装 Ubuntu。然后去 Microsoft Store 或者用命令行下载 Ubuntu 的安装包，但先不启动。

更稳妥的方式是用wsl --import。先从官网下载 Ubuntu 22.04 的 rootfs 压缩包（大约 300MB），然后：

mkdir D:\WSL\Ubuntu-22.04 wsl --import Ubuntu-22.04 D:\WSL\Ubuntu-22.04 D:\下载\ubuntu-22.04-server-cloudimg-amd64-wsl.rootfs.tar.gz --version 2

导入完成后，用wsl -d Ubuntu-22.04启动。第一次启动会直接进 root 用户，需要自己创建普通用户：

adduser yourname usermod -aG sudo yourname

然后设置默认用户，在 PowerShell 里：

ubuntu2204 config --default-user yourname

注意，ubuntu2204这个命令名取决于你导入时的发行版名称，如果是自定义名称，可能需要用wsl --manage或者修改注册表。这个坑我踩过，导入的发行版没有config命令，得手动改/etc/wsl.conf：

[user] default=yourname

然后wsl --shutdown重启生效。

3.3 装完后的第一件事：换源和更新

Ubuntu 默认的软件源在国外，国内下载速度可能很慢。换源是第一步。编辑/etc/apt/sources.list：

sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak sudo nano /etc/apt/sources.list

把archive.ubuntu.com和security.ubuntu.com替换成国内镜像，比如清华源或阿里源。Ubuntu 22.04 的清华源配置是：

deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ jammy main restricted universe multiverse deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ jammy-updates main restricted universe multiverse deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ jammy-backports main restricted universe multiverse deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ jammy-security main restricted universe multiverse

保存后运行：

sudo apt update && sudo apt upgrade -y

这一步会更新所有已安装的包，可能需要几分钟。更新完之后，装一些基础工具：

sudo apt install -y build-essential git curl wget vim htop

build-essential包含了 gcc、g++、make 等编译工具，后面装 Python 包时经常需要编译，这个必须装。

4. GPU 直通：CUDA Toolkit 的版本选择与安装

4.1 版本对应关系：别让驱动和 CUDA 打架

CUDA Toolkit 的版本不是随便选的，它要和 Windows 主机的 NVIDIA 驱动版本匹配。每个 CUDA 版本都有一个最低驱动版本要求。比如 CUDA 12.1 要求 Windows 驱动版本不低于 527.41，CUDA 11.8 要求不低于 452.39。

怎么查？在 Windows 的 PowerShell 里输入nvidia-smi，右上角会显示 "CUDA Version: 12.1" 之类的信息。这个数字表示你的驱动最高支持的 CUDA 版本。你可以装比这个低的版本，但不能装比它高的。

比如你的驱动显示 CUDA 12.1，那你可以装 CUDA 12.1、12.0、11.8，但不能装 12.2。装高了会报错 "CUDA driver version is insufficient for CUDA runtime version"。

我的建议是：如果你的驱动比较新，直接装 CUDA 12.1 或 12.4，因为 PyTorch 2.x 对这两个版本支持最好。如果驱动比较老，先升级驱动，再装 CUDA。升级驱动比降级 CUDA 简单得多。

4.2 在 WSL2 里装 CUDA Toolkit 的完整步骤

首先，去 NVIDIA 的 CUDA Toolkit 下载页面，选择 Linux -> x86_64 -> WSL-Ubuntu -> 2.0 -> deb (local)。注意一定要选WSL-Ubuntu，不要选普通的 Ubuntu，因为 WSL 版的安装包不会包含驱动，只包含 Toolkit。

以 CUDA 12.1 为例，下载后运行：

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 wget https://developer.download.nvidia.com/compute/cuda/12.1.0/local_installers/cuda-repo-wsl-ubuntu-12-1-local_12.1.0-1_amd64.deb sudo dpkg -i cuda-repo-wsl-ubuntu-12-1-local_12.1.0-1_amd64.deb sudo cp /var/cuda-repo-wsl-ubuntu-12-1-local/cuda-*-keyring.gpg /usr/share/keyrings/ sudo apt-get update sudo apt-get -y install cuda

装完之后，配置环境变量。编辑~/.bashrc：

export PATH=/usr/local/cuda-12.1/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH

然后source ~/.bashrc，输入nvcc -V，如果显示 CUDA 版本，说明装好了。再输入nvidia-smi，如果能看到显卡信息，说明 GPU 直通成功。

这里有个细节：nvidia-smi在 WSL2 里显示的驱动版本是 Windows 主机的版本，不是 WSL2 里装的。这是正常的，因为驱动是直通的，WSL2 里没有独立的驱动。

4.3 验证 GPU 是否真的可用

装完 CUDA 后，别急着装 PyTorch，先用一个简单的方法验证 GPU 是否真的能被调用。装一个cuda-toolkit自带的 sample：

cd /usr/local/cuda-12.1/samples/1_Utilities/deviceQuery sudo make ./deviceQuery

如果输出 "Result = PASS"，说明 GPU 直通完全正常。如果报错，通常是两个原因：一是 Windows 驱动版本太低，二是 WSL2 的内核版本太老。更新 WSL2 内核的命令是wsl --update。

另一个验证方法是装 PyTorch 后跑：

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

如果输出True和你的显卡型号，就说明一切正常。

5. PyTorch 环境搭建：conda 还是 venv

5.1 为什么我最终选了 conda

Python 环境管理工具有很多，venv、virtualenv、conda、pipenv、poetry。在 AI 开发场景下，我推荐 conda，原因有三个。

第一，conda 不仅能管理 Python 包，还能管理非 Python 的依赖，比如 CUDA Toolkit、cuDNN、MKL 这些。用 conda 装 PyTorch 时，它会自动帮你装匹配的 CUDA 版本，省去了手动配置的麻烦。第二，conda 的环境隔离更彻底，不同环境可以用不同的 Python 版本，互不干扰。第三，很多 AI 库的官方安装文档都优先推荐 conda，比如 PyTorch 官网的安装命令就是 conda 和 pip 并列。

当然 conda 也有缺点，比如体积大、有时候解析依赖很慢。但相比它带来的便利，这些都能接受。

安装 Miniconda（比 Anaconda 轻量）：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh

一路回车，最后问是否conda init，选 yes。然后source ~/.bashrc，conda命令就能用了。

这里有个坑：如果你在 PowerShell 里直接输入conda activate，会报错 "无法将 conda 项识别"。这是因为 conda 装在 WSL2 里，PowerShell 访问不到。你必须在 WSL2 的终端里操作，或者在 VS Code 的 WSL 终端里操作。

5.2 创建 PyTorch 环境的正确命令

创建环境时，Python 版本选 3.10 或 3.11，这两个版本对 PyTorch 2.x 支持最好：

conda create -n pytorch python=3.10 -y conda activate pytorch

然后装 PyTorch。去 PyTorch 官网的安装页面，选择你的配置：PyTorch 2.1、CUDA 12.1、conda。它会给你一条命令：

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

这条命令会从 pytorch 和 nvidia 两个 channel 下载包。国内下载可能很慢，可以配置 conda 的国内镜像。编辑~/.condarc：

channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r custom_channels: pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud nvidia: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

注意，PyTorch 的 CUDA 包在清华源里可能不是最新的，如果装不上，就换回官方源，或者用 pip 装。

5.3 pip 和 conda 混用的注意事项

很多人会 conda 装一部分，pip 装另一部分。这样做可以，但要注意顺序：先用 conda 装，再用 pip 装。因为 conda 在解析依赖时，如果发现某个包已经被 pip 装了，可能会覆盖或者冲突。

另外，pip 装的包不会出现在conda list里（除非用pip list），所以排查问题时要注意。我的习惯是，核心的 PyTorch、CUDA 相关用 conda 装，其他的小库用 pip 装。

还有一个常见问题：装完 PyTorch 后，torch.cuda.is_available()返回False。原因通常是 PyTorch 装成了 CPU 版本。检查方法：

import torch print(torch.version.cuda)

如果输出None，说明是 CPU 版。解决办法是卸载重装，确保安装命令里带了pytorch-cuda=12.1这个参数。

6. 那些官方文档不会告诉你的坑

6.1 WSL2 内存占用过高的问题

WSL2 默认会占用最多 50% 的物理内存，而且不会自动释放。如果你有 16G 内存，WSL2 可能吃掉 8G，Windows 这边就紧张了。解决办法是限制 WSL2 的内存使用。

在 Windows 用户目录下创建.wslconfig文件（路径是C:\Users\你的用户名\.wslconfig），内容：

[wsl2] memory=8GB processors=4 swap=2GB

memory是最大内存，processors是 CPU 核心数，swap是交换空间。根据你的机器配置调整。改完后wsl --shutdown重启生效。

我一般设成物理内存的一半，比如 16G 内存设 8G，32G 设 16G。这样既够用，又不会把 Windows 拖垮。

6.2 磁盘空间不释放的解决办法

前面提到，WSL2 的虚拟磁盘只增不减。你删了文件，空间不会自动还给 Windows。手动压缩的步骤：

首先，在 WSL2 里清理无用文件：

sudo apt autoremove sudo apt clean

然后关闭 WSL2：

wsl --shutdown

找到虚拟磁盘文件，通常在C:\Users\你的用户名\AppData\Local\Packages\CanonicalGroupLimited...\LocalState\ext4.vhdx。用 diskpart 压缩：

diskpart select vdisk file="C:\path\to\ext4.vhdx" attach vdisk readonly compact vdisk detach vdisk exit

这个过程可能需要几分钟，压缩完后空间就释放了。我一般每个月做一次，能释放好几个 G。

6.3 文件系统性能：别在 /mnt/c 下跑训练

WSL2 访问 Windows 文件是通过/mnt/c、/mnt/d这样的挂载点。这个访问是跨文件系统的，性能很差。如果你把数据集放在/mnt/d/datasets，然后在这个目录下跑训练，数据加载速度会慢好几倍。

正确的做法是把数据放在 WSL2 自己的文件系统里，比如~/datasets。如果数据本来在 Windows 盘上，先复制进来：

cp /mnt/d/datasets/imagenet ~/datasets/

复制可能花点时间，但训练时的速度提升是值得的。我实测过，同样一个数据集，在/mnt/d下加载需要 2 秒一个 batch，在~/datasets下只要 0.3 秒。

6.4 网络代理和下载速度

WSL2 的网络是 NAT 模式，和 Windows 主机共享网络，但 IP 是独立的。如果你在 Windows 上配了代理，WSL2 里默认用不了。需要在 WSL2 里单独配。

不过这里不展开代理的配置，因为涉及的内容比较敏感。简单说，如果你下载 pip 包或 conda 包很慢，优先用国内镜像源，这是最稳妥的方案。pip 的镜像配置：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

conda 的镜像前面已经讲过了。

7. 让开发体验更顺滑的几个配置

7.1 VS Code Remote-WSL：无缝编辑 Linux 代码

这是 WSL2 最爽的功能之一。装 VS Code 和 Remote-WSL 插件后，你可以在 Windows 的 VS Code 里直接打开 WSL2 里的项目，编辑、调试、跑终端，全都无缝。

具体操作：在 WSL2 终端里进入项目目录，输入code .，VS Code 会自动在 Windows 端打开，并连接到 WSL2。左下角会显示 "WSL: Ubuntu-22.04"。这时候你装的 Python 插件、Jupyter 插件都是在 WSL2 环境里运行的，能直接调用 GPU。

我建议在 WSL2 里也装一下 VS Code Server 的依赖：

sudo apt install -y python3-pip python3-venv

这样 VS Code 的 Python 插件能更好地识别环境。

7.2 Jupyter Notebook 的远程访问

如果你习惯用 Jupyter Notebook，在 WSL2 里启动后，Windows 的浏览器可以直接访问。启动命令：

jupyter notebook --no-browser --port=8888

它会输出一个带 token 的 URL，复制到 Windows 浏览器就能打开。因为 WSL2 和 Windows 的网络是打通的，localhost 是共享的，所以不需要额外配置端口转发。

如果你想让 Jupyter 在后台跑，用nohup或者tmux：

tmux new -s jupyter jupyter notebook --no-browser --port=8888

按Ctrl+B然后D脱离会话，Jupyter 继续在后台运行。下次用tmux attach -t jupyter回来。

7.3 常用命令的别名配置

WSL2 里有些命令很长，配别名能省不少事。编辑~/.bashrc，加几行：

alias ll='ls -alF' alias gs='git status' alias gp='git pull' alias activate='conda activate' alias nv='nvidia-smi'

然后source ~/.bashrc。这些小配置看起来不起眼，但日积月累能省很多敲键盘的时间。

8. 跑通第一个 GPU 训练任务

8.1 用 MNIST 做一次完整的验证

环境搭好了，跑个简单的训练验证一下。创建一个test_gpu.py：

import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms device = torch.device("cuda" if torch.cuda.is_available() else "cpu") print(f"Using device: {device}") transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True) class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(784, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = x.view(-1, 784) x = torch.relu(self.fc1(x)) x = self.fc2(x) return x model = Net().to(device) optimizer = optim.Adam(model.parameters(), lr=0.001) criterion = nn.CrossEntropyLoss() for epoch in range(3): for batch_idx, (data, target) in enumerate(train_loader): data, target = data.to(device), target.to(device) optimizer.zero_grad() output = model(data) loss = criterion(output, target) loss.backward() optimizer.step() if batch_idx % 100 == 0: print(f"Epoch {epoch}, Batch {batch_idx}, Loss: {loss.item():.4f}")

运行python test_gpu.py，如果看到 "Using device: cuda" 并且 loss 在下降，说明整个链路都通了。

8.2 性能对比：WSL2 vs 原生 Windows

我在这台机器上做过对比测试，配置是 i7-12700H + RTX 3060 Laptop + 32G 内存。同样的 MNIST 训练脚本，原生 Windows 下每个 epoch 大约 12 秒，WSL2 下大约 12.5 秒，差距在 4% 左右。对于更大的模型，比如 ResNet-50 在 ImageNet 上，差距会更小，因为 GPU 计算占主导，文件系统和 CPU 的开销占比降低。

这个性能损失换来的是完整的 Linux 生态和开发便利性，我认为是值得的。如果你追求极致性能，那还是装原生 Ubuntu，但对大多数人来说，WSL2 完全够用。

8.3 常见报错和排查思路

跑训练时可能遇到的报错，我整理了几个常见的：

报错信息	原因	解决办法
CUDA out of memory	显存不够	减小 batch size，或者用torch.cuda.empty_cache()
RuntimeError: CUDA error: no kernel image is available	PyTorch 的 CUDA 版本和显卡算力不匹配	重装匹配的 PyTorch 版本
nvidia-smi: command not found	CUDA Toolkit 没装或路径没配	检查~/.bashrc里的 PATH
torch.cuda.is_available() returns False	装成了 CPU 版 PyTorch	卸载重装 GPU 版
OSError: libcudart.so.12: cannot open shared object file	LD_LIBRARY_PATH 没配	添加 CUDA 的 lib64 到 LD_LIBRARY_PATH

排查 CUDA 问题的通用思路是：先确认 Windows 主机的nvidia-smi正常，再确认 WSL2 里的nvidia-smi正常，然后确认nvcc -V正常，最后确认 PyTorch 的torch.cuda.is_available()正常。一层一层往下查，基本能定位到问题。

9. 长期使用中的维护建议

9.1 定期更新 WSL2 内核和驱动

WSL2 的内核会不定期更新，修复 bug 和提升性能。更新命令：

wsl --update

NVIDIA 驱动也建议保持较新版本，尤其是你打算用新出的 CUDA 版本时。但不要盲目追新，如果当前环境稳定，没必要频繁升级。我的习惯是每两三个月检查一次更新，确认新版本没有已知的严重问题再升。

9.2 环境备份和迁移

conda 环境可以导出成 yaml 文件，方便备份和迁移：

conda env export > environment.yml

在新机器上恢复：

conda env create -f environment.yml

但注意，这个 yaml 里包含了 CUDA 相关的包，如果新机器的 CUDA 版本不同，可能需要手动调整。更稳妥的方式是只导出 pip 包列表：

pip freeze > requirements.txt

然后在新的 conda 环境里pip install -r requirements.txt，CUDA 相关的包单独装。

9.3 什么时候该考虑换方案

WSL2 不是万能的。如果你遇到以下情况，可能需要考虑原生 Ubuntu 或者云服务器：

• 需要长时间跑大规模训练，对稳定性要求极高
• 需要用到 WSL2 不支持的内核模块或硬件直通
• 需要多卡训练，WSL2 对多卡的支持有限
• 磁盘 I/O 成为瓶颈，WSL2 的文件系统性能无法满足

但对我日常的开发、调试、小规模训练来说，WSL2 已经用了两年多，稳定性没问题。偶尔遇到 WSL2 卡死，wsl --shutdown重启一下就好，比双系统重启快得多。

最后分享一个小技巧：如果你在 WSL2 里跑训练，同时想在 Windows 上监控 GPU 状态，可以在 PowerShell 里跑nvidia-smi -l 1，每秒刷新一次，和 WSL2 里的训练互不干扰。这样你能实时看到显存占用和 GPU 利用率，方便调整 batch size。