w11+wsl+3060安装cuda等深度学习环境

把一切都重新又梳理学习了一遍，然后发现很多事情其实没必要弄

0. 显卡驱动、nvidia-smi、cuda、nvcc、cuDNN、pytorch、cudatoolkit与它们之间的关系

笔者本人鸟枪换炮了，还是wsl环境香，但是按照官方教程跑完后，遇到了bugRuntimeError：No CUDA GPUs are available，于是强行再把之前一知半解的部分弄明白了。

显卡驱动：刚需部分，wsl环境下有windows的显卡驱动其实就够用了。
nvidia-smi：打包在显卡驱动内，装了显卡驱动后可以用来检验是否安装成功的显卡监测工具包。笔者也在wsl中安装了一下，目前没发现有冲突。

cuda：分为两个cuda。一个是运行时的库，一个是开发用库（学过Java的人可以用jre和jdk来理解）。运行时的库，可以通过pip来安装在python的依赖里（比如cudatoolkit，或者torch+cuu），基本上深度学习代码用这部分就行。开发用的组件，是安装在操作系统中，一般用不到。cuda定义是NVIDIA提供的一种并行计算平台，提供编程接口让代码能在GPU上执行。CUDA有 runtime api和 driver api，两者都有对应的CUDA版本， nvcc --version 显示的就是前者对应的CUDA版本，而 nvidia-smi显示的是后者对应的CUDA版本。参考【CUDA】nvcc和nvidia-smi显示的版本不一致？ - 简书 (jianshu.com)
CUDA版本可以通过在~/.bashrc修改path切换：

export CUDA_HOME=/etc/alternatives/cuda
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
export PATH=${CUDA_HOME}/bin:${PATH}

cuDNN：可以被打包在cuda内，cuda相当于是工作台，cuDNN就是插件。非刚需，但是如果代码要用这种深度学习加速就需要。

nvcc：属于CUDA的编译器，将程序编译成可执行的二进制文件。一般来说如果安装了ubuntu平台上的开发用cuda，就会包含有nvcc（可以把这里的nvcc理解为gcc这种编译器）。

pytorch：需要根据自己的显卡型号算力来安装合适范围内的torch版本，因为cuda版本一定程度上需要和torch版本兼容。

cudatoolkit 是 NVIDIA CUDA Toolkit 的 Python 包装器。通常可以使用 Python 的包管理工具 pip 或 conda 来完成。

PS：根据开发者的回复：《Would pytorch for cuda 11.6 work when cuda is actually 12.0 - PyTorch Forums》可以得知，当前的pytorch包会自带cuda的二进制文件。所以完全可以不在ubuntu中安装cuda，必须要安装的只有以下三个：

• 显卡驱动
• python
• pytorch+cudatoolkit或者pytorch+cuda（例如上图中的torch+cu117或者pytorch+cudatoolkit，总之是torch附上一个cuda二进制库）

1. 把wsl部分引入

注意，以下部分是在之前用的，有些步骤可能是冗余的，只是目前能跑所以就没管
官方教程：

GPU in Windows Subsystem for Linux (WSL) | NVIDIA Developer

NVIDIA GPU Accelerated Computing on WSL 2

笔者环境为win11+rtx3060，步骤记录如下：

1. 在windows系统本身环境下安装对应版本的Geforece驱动，根据官网配置推荐 笔者选择了GeForce Game Ready Driver 531.79

2. 安装wsl2（中间好像有坑，把报错必应搜索一下应该就能解决了）

3. 进入wsl界面

4. sudo apt-key del 7fa2af80，在这个过程中遇到了apt-key的报错，放着不管也没事，如果想了解一下，可以参考stackOverflow

5. 按照官网教程命令安装wsl上的cuda驱动，如果遇到The public cuda-repo-wsl-ubuntu-12-1-local GPG key does not appear to be installed，就按照他提示的执行一次sudo cp /var/cuda-repo-wsl-ubuntu-12-1-local/cuda-8F52B5FE-keyring.gpg /usr/share/keyrings/ ，然后再执行原命令即可【后面发现这一步其实完全可以不做】

6. 安装conda/python/torch等包，验证torch.cuda.is_available() PREFIX=/home/tempo/anaconda3

7. 然后就可以在wsl上爽玩啦(^▽^)

8. 可能遇到的bug与解决方案： RuntimeError：No CUDA GPUs are available，

   1. conda没写到PATH里面新开窗口找不到conda于是又装了一遍。【后续发现跟wsl的su命令也有关系，su不加用户名之后会进入root的状态，用户文件夹变成了/home，所以conda消失了】

9. 后续进阶技能点：Vscode与WSL，pycharm与WSL①，pycharm与WSL②, 在pycharm上配置wsl的conda环境

常用命令记录

# cd到windows的目录（以挂载卷的形式存在的）
cd /mnt/c

#注意：powershell命令   NAME      STATE           VERSION | Ubuntu    Running         2
wsl -l -v

ls -l /usr/local | grep cuda
# lrwxrwxrwx  1 root root   22 May 15 15:22 cuda -> /etc/alternatives/cuda
# lrwxrwxrwx  1 root root   25 May 15 15:22 cuda-12 -> /etc/alternatives/cuda-12
# drwxr-xr-x 15 root root 4096 May 15 15:22 cuda-12.1


nvcc --version
# nvcc: NVIDIA (R) Cuda compiler driver
# Copyright (c) 2005-2021 NVIDIA Corporation
# Built on Thu_Nov_18_09:45:30_PST_2021
# Cuda compilation tools, release 11.5, V11.5.119
# Build cuda_11.5.r11.5/compiler.30672275_0

which nvcc
# /usr/bin/nvcc

which nvidia-smi
# /usr/lib/wsl/lib/nvidia-smi

验证安装的全家桶是否可用

# 版本为：torch==1.10.2+cu113
# 这个cu113是有它的意义所在的……

### '1.5.0'
torch.__version__ 
### True
torch.cuda.is_available() 
### 7605
torch.backends.cudnn.version() 
### '10.2'
torch.version.cuda 

参考资料：

cuda 和 cudnn 库的卸载与安装 - 知乎 (zhihu.com)

ubuntu解决没有nvcc命令的错误-CSDN博客

NVIDIA/cuda-samples: Samples for CUDA Developers which demonstrates features in CUDA Toolkit (github.com)

Support Matrix - NVIDIA Docs**（官方的cudnn库匹配）**

如何查看cudnn当前版本_Linux 和 Windows 查看 CUDA 和 cuDNN 版本_weixin_39916758的博客-CSDN博客

解决CUDA error: no kernel image is available for execution on the device_图灵机学长的博客-CSDN博客