【AI】搭建Windows Linux子系统（WSL2）CUDA环境
0.准备工作
Windows本机安装CUDA Driver
首先去下载页面下载驱动文件
点击Get CUDA Driver进入下载页面，我看下载页面跟普通驱动下载页面相同，感觉应该不是单独的驱动，只要之前显卡已经安装好了CUDA的驱动，就可以先省略这一步。
1.安装Windows子系统
win11中安装wsl子系统非常方便，只需要执行一个命令即可，系统会自动安装Ubuntu系统，执行完之后需要重启电脑，重启后需要设置用户名和密码，根据自己实际情况设置即可。
wsl --install
安装完重启电脑设置完账号密码后，会看到如下页面：
这时候就可以操作linux系统了
2.WSL安装CUDA Toolkit
官方的教程地址：https://docs.nvidia.com/cuda/wsl-user-guide/index.html
进入官方下载地址：https://developer.nvidia.com/cuda-toolkit-archive
根据自己安装的CUDA驱动版本选择CUDA Toolkit版本，这里最好与主机的驱动版本一致，否则不知道会出现什么奇怪错误。
去wsl命令行执行wget命令，可以直接在linux系统上下载Toolkit，然后执行安装命令
wget https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda_12.2.0_535.54.03_linux.run
sudo sh cuda_12.2.0_535.54.03_linux.run
安装时可能会报错：Failed to verify gcc version. See log at /var/log/cuda-installer.log for details.
这是因为我们的wsl系统刚刚创建，可能没有安装gcc导致的，可以参考这篇文章解决。
这里也贴一下吧
sudo apt update && sudo apt upgrade -y
sudo apt install build-essential
# 查看安装的gcc版本
gcc --version
然后再执行上面的安装程序，安装完之后打印了下面的信息
===========
= Summary =
===========
Driver: Not Selected
Toolkit: Installed in /usr/local/cuda-12.2/
Please make sure that
- PATH includes /usr/local/cuda-12.2/bin
- LD_LIBRARY_PATH includes /usr/local/cuda-12.2/lib64, or, add /usr/local/cuda-12.2/lib64 to /etc/ld.so.conf and run ldconfig as root
To uninstall the CUDA Toolkit, run cuda-uninstaller in /usr/local/cuda-12.2/bin
***WARNING: Incomplete installation! This installation did not install the CUDA Driver. A driver of version at least 535.00 is required for CUDA 12.2 functionality to work.
To install the driver using this installer, run the following command, replacing <CudaInstaller> with the name of this run file:
sudo <CudaInstaller>.run --silent --driver
Logfile is /var/log/cuda-installer.log
这里的warning可以不用处理，官方文档上说不需要安装driver
安装完成之后需要将路径加入到环境变量中：
export PATH=/usr/local/cuda-12.2/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.2/lib64:$LD_LIBRARY_PATH
3.安装cuDNN（可选）
NVIDIA CUDA® 深度神经网络库 (cuDNN) 是一个 GPU 加速的深度神经网络基元库，能够以高度优化的方式实现标准例程（如前向和反向卷积、池化层、归一化和激活层）。
全球的深度学习研究人员和框架开发者都依赖 cuDNN 来实现高性能 GPU 加速。借助 cuDNN，研究人员和开发者可以专注于训练神经网络及开发软件应用，而不必花时间进行低层级的 GPU 性能调整。cuDNN 可加速广泛应用的深度学习框架，包括 Caffe2、Chainer、Keras、MATLAB、MxNet、PaddlePaddle、PyTorch 和 TensorFlow。如需获取经 NVIDIA 优化且已在框架中集成 cuDNN 的深度学习框架容器，请访问 NVIDIA GPU CLOUD 了解详情并开始使用。
下载地址：https://developer.nvidia.cn/cudnn 或 https://developer.nvidia.com/rdp/cudnn-archive#a-collapse896-120
在运行PyTorch训练和推理时，通常需要安装cuDNN，但并非绝对必要。cuDNN是一个GPU加速的深度神经网络库，能够以高度优化的方式实现标准例程，如前向和反向卷积、池化层、归一化和激活层。
在某些情况下，部分深度学习框架会将CUDA、CUDNN打包在whl包里，因此无需手动安装。例如，PyTorch的大部分版本就是这样，所以无需手动安装。
4.修改WSL安装路径
显然，此时的wsl默认安装在c盘，随着系统的使用，会占用我们C盘的空间，所以我们将其打包放到其它盘去。
1.查看WSL发行版本
在Windows PowerShell中输入命令:
wsl -l --all -v
PS C:\Users\Admin> wsl -l --all -v
NAME STATE VERSION
* Ubuntu Stopped 2
2.导出分发版为tar文件到d盘
wsl --export Ubuntu d:\wsl-ubuntu20.04.tar(Ubuntu修改成你现在的发行版名称)
3.注销当前分发版
wsl --unregister Ubuntu (Ubuntu修改成你现在的发行版名称)
4.重新导入并安装WSL在d:\wsl-ubuntu20.04（可以修改成你自己想要的目录）
wsl --import Ubuntu d:\wsl-ubuntu20.04 d:\wsl-ubuntu20.04.tar --version 2
5.设置默认登陆用户为安装时用户名
Ubuntu config --default-user Username
6.删除tar文件(可选)
del d:\wsl-ubuntu20.04.tar
参考文档
5.WSL与主机传输文件
从windows拷贝文件到WSL
先查看目录挂载情况
sudo ls /mnt/*
找到文件，拷贝到当前目录
cp /mnt/盘符/文件 .
附WSL官方文档地址：https://learn.microsoft.com/zh-cn/windows/wsl/
参考文章：https://zhuanlan.zhihu.com/p/436393852