【2025深度学习环境搭建-1】在Win11上用WSL2和Docker解锁GPU加速

建议有：

• 较新的win11电脑，GPU是nvidia
• 一点点Linux基础
• 一点点Docker基础

一、安装WSL2

【控制面板】=》【程序】=》【启用或关闭Windows功能】

打开三个功能：【Hyper-V】【Virtual Machine Platform】【适用于Linux的Windows子系统】

可能看不到Hyper-V，百度：win11没有Hyper-V

在管理员模式下打开 PowerShell 或 Windows 命令提示符，方法是右键单击并选择“以管理员身份运行”，输入 wsl --install 命令，然后重启计算机。

wsl --install

wsl --list --online # 显示可安装的WSL系统

wsl --install -d Ubuntu-24.04 # 安装Ubuntu-24.04

wsl --list # 显示本地的WSL系统

下图中可看到Ubuntu-24.04，这就是我们刚才安装的

1.1 启动wsl

在终端中输入wsl启动wsl

wsl  #启动wsl,要在Windows终端中运行

顺便一提，关闭wsl的命令是wsl --shutdown，要在Windows终端中运行

在【开始】菜单中找到Ubuntu-24.04，打开它

根据提示设置好用户名和密码

设置root用户的密码

sudo passwd # 设置root用户的密码

若你的CUDA版本够新，则此时可在wsl中输入nvidia-smi查看显卡信息

nvidia-smi

二、安装Docker Desktop(自行换镜像源)

进入docker官网，下载Dockers Desktop

https://www.docker.com/

在右上角打开设置，如下图设置

三、安装NVIDIA Container Toolkit

nvidia-docker2 和 NVIDIA Container Toolkit 的区别及推荐
打开WSL，执行以下命令
配置生产存储库：

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \&& curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

从存储库更新软件包列表：

sudo apt-get update

安装 NVIDIA Container Toolkit 软件包：

sudo apt-get install -y nvidia-container-toolkit

重启Docker（在Docker Desktop中操作也行）

sudo systemctl daemon-reload
sudo systemctl restart docker

四、确保Docker能使用GPU

注意docker拉nvidia/cuda镜像时，拉取的cuda版本不能高于本地的cuda版本

我本地的cuda版本是12.7，则我无法拉取镜像docker pull nvidia/cuda:12.6.3-base-ubuntu24.04，因为这个镜像的cuda版本是12.8

执行以下命令，正常情况下会输出nvidia显卡信息【表示本机的Docker可使用GPU】，如图所示

docker run --rm --gpus all nvidia/cuda:12.6.3-base-ubuntu24.04 nvidia-smi

若您认为以上cuda版本过高，则可找个低版本的镜像，
命令如下：docker run --rm --gpus all nvidia/cuda:11.0.3-base-ubuntu16.04 nvidia-smi

找镜像的网站：https://hub.docker.com/r/nvidia/cuda/tags

现在，我们可以在Docker环境中使用GPU啦！下一步我们将搭建一个深度学习环境，以满足我们的深度学习研究需求！

下一步：pytorch+Docker+VS Code+DevContainer搭建本地深度学习环境

参考

WSL 2官方安装教程

WSL 2 上的 Docker 入门

NVIDIA Container Toolkit官方安装教程

nvidia/cuda镜像搜索网站