Windows通过WSL2释放AI训练的无限潜能：打造高效Linux开发环境

WSL2为Windows用户提供了一个高效、轻量级的Linux环境，非常适合AI学习和训练。通过与VSCode和Jupyter的集成，开发者可以在Windows系统中享受Linux生态的完整开发体验，同时利用GPU加速进行模型训练。无论是初学者还是专业开发者，WSL2都是一个值得尝试的工具。开始使用WSL2，开启你的AI开发之旅吧！

墨雪遗痕

1314人浏览 · 2025-04-15 10:51:20

墨雪遗痕 · 2025-04-15 10:51:20 发布

Windows通过WSL2释放AI训练的无限潜能：打造高效Linux开发环境

WSL2简介及其优势

Windows Subsystem for Linux 2（WSL2）是微软推出的一项技术，允许在Windows系统中运行原生的Linux环境。相较于第一代WSL，WSL2基于虚拟化技术，提供了完整的Linux内核支持，性能更接近原生Linux系统。

WSL2的主要好处：

高性能：WSL2通过轻量级虚拟机技术，提供接近原生Linux的运行速度，尤其适合运行AI训练任务。
无缝集成：与Windows系统深度整合，文件系统和网络访问便捷。
兼容性强：支持大多数Linux发行版（如Ubuntu、Debian等），可直接运行Docker、Python、TensorFlow等AI开发工具。
资源占用低：相比传统虚拟机，WSL2占用内存和CPU更少，适合开发者在个人电脑上使用。
学习AI的理想环境：WSL2提供Linux生态的完整开发体验，无需额外配置物理机或云服务器。

WSL2与Windows的文件和网络互通

WSL2与Windows之间的交互非常高效，特别适合需要跨系统操作的开发场景。

文件互通

Windows访问Linux文件：在Windows文件资源管理器中，Linux文件系统以网络驱动器形式挂载，路径为 \\wsl$\<发行版名称>（如 \\wsl$\Ubuntu-20.04）。
Linux访问Windows文件：在WSL2中，Windows文件系统挂载在 /mnt 下（如 /mnt/c 对应C盘）。建议将AI项目放在Linux文件系统中以提升性能。
注意事项：跨文件系统操作可能影响性能，推荐在Linux环境中存储和处理训练数据。

网络互通

端口映射：WSL2自动将Linux环境的端口映射到Windows主机，可通过 localhost:<端口> 访问（如Jupyter Notebook的8888端口）。
网络共享：WSL2与Windows共享网络接口，支持直接访问互联网或Windows本地的服务。
Docker集成：WSL2支持Docker Desktop，AI开发者可通过Docker运行GPU加速的容器。

如何安装WSL2环境

以下是在Windows 10/11上安装WSL2的步骤，过程简单且快速。

步骤：

启用WSL功能：
- 打开PowerShell（以管理员身份运行）。
- 执行命令：
```
wsl --install
```
  该命令会自动启用WSL、安装WSL2默认发行版（通常为Ubuntu）。
检查系统要求：
- 确保Windows版本为Windows 10 20H2或更高，或Windows 11。
- 启用“虚拟机平台”功能（可在“启用或关闭Windows功能”中勾选）。
安装Linux发行版：
- 打开Microsoft Store，搜索并安装所需发行版（如Ubuntu 20.04 LTS）。
- 或者通过命令行安装：
```
wsl --install -d Ubuntu-20.04
```
设置默认版本为WSL2：
- 确认WSL2为默认版本：
```
wsl --set-default-version 2
```
验证安装：
- 在PowerShell运行：
```
wsl -l -v
```
  确认发行版状态为“Running”且版本为2。
更新Linux环境：
- 进入WSL2终端（如Ubuntu），运行：
```
sudo apt update && sudo apt upgrade -y
```

可选：启用GPU支持

若需进行AI训练，推荐启用GPU支持：

确保安装NVIDIA GPU驱动（版本需支持CUDA）。

在WSL2中安装CUDA Toolkit：

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
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/7fa2af80.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/ /"
sudo apt update
sudo apt install cuda -y

如何用VSCode接入WSL环境并进行Jupyter的AI训练

VSCode与WSL2的集成让AI开发变得更高效，尤其适合运行Jupyter Notebook进行模型训练。

步骤：

安装VSCode：
- 在Windows中下载并安装Visual Studio Code（https://code.visualstudio.com/）。
安装WSL扩展：
- 打开VSCode，进入扩展面板（Ctrl+Shift+X）。
- 搜索并安装“WSL”扩展（由Microsoft提供）。
连接到WSL环境：
- 在VSCode中按 Ctrl+Shift+P，输入 WSL: Connect to WSL 并选择。
- 选择目标发行版（如Ubuntu-20.04），VSCode会自动在WSL环境中启动服务。
配置Python和Jupyter环境：
- 在WSL终端安装Python和Jupyter：
```
sudo apt install python3 python3-pip -y
pip3 install jupyter tensorflow torch
```
- 在VSCode中安装Python扩展和Jupyter扩展。
创建AI项目：
- 在WSL环境中创建项目文件夹：
```
mkdir ~/ai_project && cd ~/ai_project
```
在VSCode中运行Jupyter：
- 在VSCode中打开项目文件夹（~/ai_project）。
- 创建或打开 .ipynb 文件，选择Python内核（确保选择WSL环境中的Python解释器）。
- 运行代码单元，VSCode会自动连接到Jupyter服务。
- 使用jupyter的vscode扩展，开启jupyter环境
示例AI学习代码：
- 在linux环境的Jupyter Notebook中
利用GPU加速：
- 若已启用GPU支持，TensorFlow/PyTorch会自动检测并使用GPU加速训练。也就是你的linux环境中，仍能使用你windows的高端显卡