当前位置： 首页 > news >正文

在WSL2-Ubuntu中安装Anaconda、CUDA13.0、cuDNN9.12及PyTorch（含完整环境验证）

news 2025/8/25 8:52:35

WSL 搭建深度学习环境，流程基本上是一样的，完整细节可参考我之前的博客：

在WSL2-Ubuntu中安装CUDA12.8、cuDNN、Anaconda、Pytorch并验证安装_cuda 12.8 pytorch版本-CSDN博客

之所以记录下来，是因为CUDA和cuDNN版本升级后，部分安装细节有调整（便捷度提升），所以单独开篇记录。

一、引言

因需安装依赖本地CUDA编译的软件包，需完整部署CUDA Toolkit、cuDNN及PyTorch环境。从CUDA12.9版本起，NVIDIA支持通过Anaconda安装cuDNN，故调整流程为先装Anaconda（前置）→再装CUDA13.0→接着装cuDNN9.12→最后装PyTorch，确保版本适配且操作高效，关键步骤附官方及实操参考链接，保障可复现性。

二、前提条件（Windows端+WSL端）

（一）Windows系统准备

  1. 安装NVIDIA官方显卡驱动（需支持CUDA13.0，版本≥535.xx）：打开Windows cmd，执行nvidia-smi，确认输出中“CUDA Version”≥13.0；
  2. 启用WSL2并安装Ubuntu系统（推荐22.04/24.04 LTS）：终端执行wsl --list --verbose，确认WSL版本为2；
  3. （可选）安装Microsoft Visual Studio：用于跨平台编译需求，参考CUDA官方前置要求。

（二）WSL2-Ubuntu准备

  1. 配置网络：开启系统代理（避免下载缓慢，参考WSL2怎么设置网络自动代理）；
  2. 权限与更新：确保拥有sudo权限，执行系统更新命令： 
    sudo apt update && sudo apt upgrade -y

三、第一步：安装Anaconda（前置核心步骤）

WSL - Linux 安装 Anaconda3-2025.06-0 详细教程 [WSL 分发版均适用]_wsl安装anaconda-CSDN博客

3.1 下载Anaconda安装包

  1. 从Anaconda官网查询最新Linux版本（截至2025年8月，推荐Anaconda3-2025.07-Linux-x86_64.sh）；
  2. 终端执行下载命令（保存至/tmp目录，避免占用用户目录）： 
    wget -P /tmp https://repo.anaconda.com/archive/Anaconda3-2025.07-Linux-x86_64.sh

3.2 运行安装脚本

  1. 执行安装命令： 
    bash /tmp/Anaconda3-2025.07-Linux-x86_64.sh
  2. 交互操作：
    • 按ENTER翻页阅读许可协议，直至出现“Do you accept the license terms? [yes|no]”，输入yes；
    • 确认安装路径（默认/home/[用户名]/anaconda3，推荐默认），按ENTER；
    • 询问“是否初始化Anaconda到shell”，必须输入yes（自动配置环境变量，为后续conda安装cuDNN铺路）。

3.3 验证Anaconda安装

  1. 生效环境变量：关闭当前终端并重新打开，或执行source ~/.bashrc（Zsh用户为source ~/.zshrc）；
  2. 验证命令： 
    conda --version  # 输出如“conda 25.7.0”，说明conda命令可用
conda env list   # 显示base环境及路径，确认环境正常

参考链接：在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 Anaconda3

四、第二步：安装CUDA13.0 Toolkit

4.1 验证WSL与GPU通信

终端执行nvidia-smi，确认输出中“CUDA Version”≥13.0（若未显示，需更新Windows端显卡驱动）。

nvidia-smi

无需登录（关闭登录窗口即可）

CUDA 与 cuDNN 免登录下载政策详解（基于官方权威信息）_cudnn下载-CSDN博客

CUDA Toolkit 13.0 Downloads | NVIDIA Developer

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-13-0

4.2 下载并安装CUDA密钥环

  1. 执行下载命令（从NVIDIA WSL-Ubuntu专属仓库获取）： 
    (base) love@AI:~$ wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
    • 下载日志： 
      --2025-08-24 11:31:34--  https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
Connecting to 127.0.0.1:7897... connected.
Proxy request sent, awaiting response... 200 OK
Length: 4328 (4.2K) [application/x-deb]
Saving to: ‘cuda-keyring_1.1-1_all.deb’
cuda-keyring_1.1-1_all.deb    100%[=================================================>]   4.23K  --.-KB/s    in 0s
2025-08-24 11:31:36 (912 MB/s) - ‘cuda-keyring_1.1-1_all.deb’ saved [4328/4328]
  2. 安装密钥环（确保后续CUDA包来源可信）： 
    (base) love@AI:~$ sudo dpkg -i cuda-keyring_1.1-1_all.deb
    • 安装日志（关键片段）： 
      [sudo] password for love:
Selecting previously unselected package cuda-keyring.
(Reading database ... 40769 files and directories currently installed.)
Preparing to unpack cuda-keyring_1.1-1_all.deb ...
Unpacking cuda-keyring (1.1-1) ...
Setting up cuda-keyring (1.1-1) ...

4.3 更新软件源并安装CUDA13.0

  1. 更新软件包列表： 
    (base) love@AI:~$ sudo apt-get update
    • 更新日志（关键片段）： 
      Hit:1 http://security.ubuntu.com/ubuntu noble-security InRelease
Hit:2 http://archive.ubuntu.com/ubuntu noble InRelease
Get:3 http://archive.ubuntu.com/ubuntu noble-updates InRelease [126 kB]
Get:4 https://developer.download.nvidia.cn/compute/cuda/repos/wsl-ubuntu/x86_64  InRelease [1581 B]
Fetched 3275 kB in 4s (741 kB/s)
Reading package lists... Done
  2. 安装CUDA13.0 Toolkit（指定版本避免自动升级）： 
    (base) love@AI:~$ sudo apt-get -y install cuda-toolkit-13-0
    • 安装过程：系统自动下载3389 MB依赖包（含cuda-cccl-13-0、cuda-nvcc-13-0等核心组件），最终提示“Setting up cuda-toolkit-13-0 (13.0.0-1) …”，表示安装完成。

4.4 配置CUDA环境变量

  1. 编辑shell配置文件（以Bash为例）： 
    nano ~/.bashrc
  2. 在文件末尾添加以下内容（指定CUDA13.0安装路径）： 
    export PATH=/usr/local/cuda-13.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-13.0/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-13.0
  3. 保存并生效：按Ctrl+X→输入Y→按ENTER，执行source ~/.bashrc。

4.5 验证CUDA13.0安装

nvcc -V  # 输出如“Cuda compilation tools, release 13.0, V13.0.48”
ls /usr/local/cuda-13.0  # 显示bin、lib64、include等目录，确认安装完整性

参考链接：在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 CUDA 的记录；

官方指引：CUDA下载（WSL-Ubuntu deb_network方式）

五、第三步：安装cuDNN9.12（Anaconda方式）

CUDA 深度神经网络库 (cuDNN) | NVIDIA 开发者

同样是免登录下载和安装。

官方文档更新未及时，注意修改“cuda-version=”的版本号。

一般 cuDNN 能自动降级适配CUDA，但较老的 cuDNN 版本可能无法向后兼容较新版本的 CUDA 。

cuDNN 安装命令：

conda install nvidia::cudnn cuda-version=13

或者：

conda install nvidia::cudnn=9.12 cuda-version=13

5.1 激活Anaconda环境

  1. 确保处于base环境（终端前缀显示(base)），若未激活执行： 
    conda activate base
  2. （可选）创建独立虚拟环境（推荐，避免污染base环境）： 
    conda create -n cuda13_env python=3.13  # 适配Python 3.13版本
conda activate cuda13_env

5.2 通过conda安装cuDNN9.12

  1. 执行安装命令（指定与CUDA13.0兼容的cuDNN9.12版本）： 
    (base) love@AI:~$ conda install nvidia::cudnn=9.12 cuda-version=13
  2. 安装日志（关键片段）： 
    Channels:- defaults- nvidia
Platform: linux-64
Collecting package metadata (repodata.json): done
Solving environment: done
## Package Plan ##environment location: /home/love/anaconda3added / updated specs:- cuda-version=13- nvidia::cudnn=9.12
The following NEW packages will be INSTALLED:cuda-version       pkgs/main/noarch::cuda-version-13.0-hbda6634_3cudnn              nvidia/linux-64::cudnn-9.12.0.46-h2b6041c_0libcudnn           nvidia/linux-64::libcudnn-9.12.0.46-h24322f0_0libcudnn-dev       nvidia/linux-64::libcudnn-dev-9.12.0.46-h2b6041c_0
Proceed ([y]/n)? y
Downloading and Extracting Packages:
Preparing transaction: done
Verifying transaction: done
Executing transaction: done

5.3 验证cuDNN9.12安装

  1. 查看conda已安装包： 
    conda list | grep cudnn  # 输出“cudnn                     9.12.0.46          h2b6041c_0    nvidia”
  2. 检查库文件路径（conda环境内）： 
    ls $CONDA_PREFIX/lib/libcudnn*  # 显示libcudnn.so、libcudnn_static.a等文件

参考链接：Windows 11 系统下，通过 WSL 里的 Ubuntu 24.04 安装 CUDNN 记录；

CUDA与cuDNN适配说明：是否需要预先安装CUDA Toolkit?

六、第四步：安装PyTorch（适配CUDA13.0）

Get Started

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu129

6.1 执行安装命令

从PyTorch官方仓库（https://download.pytorch.org/whl/cu129 ）安装适配CUDA13.0的版本（CUDA向下兼容，cu129包支持CUDA13.0）：

(base) love@AI:~$ pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu129

6.2 安装日志（关键片段）

Looking in indexes: https://download.pytorch.org/whl/cu129
Collecting torchDownloading https://download.pytorch.org/whl/cu129/torch-2.8.0%2Bcu129-cp313-cp313-manylinux_2_28_x86_64.whl.metadata (30 kB)
Collecting torchvisionDownloading https://download.pytorch.org/whl/cu129/torchvision-0.23.0%2Bcu129-cp313-cp313-manylinux_2_28_x86_64.whl.metadata (6.1 kB)
# 自动下载依赖（nvidia-cuda-nvrtc-cu12、nvidia-cudnn-cu12等）
Downloading https://download.pytorch.org/whl/cu129/torch-2.8.0%2Bcu129-cp313-cp313-manylinux_2_28_x86_64.whl (1240.3 MB)━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.2/1.2 GB 1.9 MB/s eta 0:00:00
Successfully installed nvidia-cublas-cu12-12.9.1.4 ... torch-2.8.0+cu129 torchvision-0.23.0+cu129 triton-3.4.0

七、第五步：完整验证深度学习环境

验证PyTorch深度学习环境Torch和CUDA还有cuDNN是否正确配置的命令-CSDN博客

验证代码示例（python环境）：

import torch  # 导入 PyTorch 库print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本号# 检查 CUDA 是否可用，并设置设备（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("设备：", device)  # 打印当前使用的设备
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已启用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已启用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 创建两个随机张量（默认在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 将张量移动到指定设备（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 对张量进行逐元素相加
z = x + y# 打印结果
print("张量 z 的值：")
print(z)  # 输出张量 z 的内容

7.1 Python交互模式验证（核心步骤）

  1. 终端进入Python环境： 
    (base) love@AI:~$ python
Python 3.13.5 | packaged by Anaconda, Inc. | (main, Jun 12 2025, 16:09:02) [GCC 11.2.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>>
  2. 执行验证代码： 
    import torch
# 1. 验证版本信息
print("PyTorch 版本：", torch.__version__)  # 输出“2.8.0+cu129”
print("支持的 CUDA 版本：", torch.version.cuda)  # 输出“12.9”（向下兼容CUDA13.0）
print("cuDNN 版本：", torch.backends.cudnn.version())  # 输出“91204”（对应cuDNN9.12）# 2. 验证GPU可用性
print("CUDA 可用：", torch.cuda.is_available())  # 输出“True”
print("cuDNN 已启用：", torch.backends.cudnn.enabled)  # 输出“True”
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("当前设备：", device)  # 输出“cuda:0”
print("GPU 设备名：", torch.cuda.get_device_name(0))  # 输出GPU型号（如“NVIDIA GeForce RTX 4090”）# 3. 验证GPU张量运算（核心功能验证）
x = torch.rand(5, 3).to(device)  # 创建随机张量并转移到GPU
y = torch.rand(5, 3).to(device)
z = x + y  # GPU上执行张量相加
print("GPU 张量运算结果：\n", z)
  3. 预期输出（示例）： 
    PyTorch 版本： 2.8.0+cu129
支持的 CUDA 版本： 12.9
cuDNN 版本： 91204
CUDA 可用： True
cuDNN 已启用： True
当前设备： cuda:0
GPU 设备名： NVIDIA GeForce RTX 4090
GPU 张量运算结果：tensor([[1.0225, 1.4994, 1.9415],[0.8256, 1.4385, 1.3833],[0.8874, 0.4490, 1.1313],[1.4452, 0.3707, 1.2173],[0.8632, 1.1795, 1.0678]], device='cuda:0')

7.2 额外验证（可选，确保编译功能）

  1. 验证CUDA编译器： 
    nvcc --version  # 确认CUDA编译器正常，支持本地编译
  2. 验证conda环境与系统CUDA协同： 
    echo $CUDA_HOME  # 输出“/usr/local/cuda-13.0”，确认环境变量生效
echo $LD_LIBRARY_PATH | grep $CONDA_PREFIX/lib  # 确认conda的cuDNN路径被识别

八、注意事项与常见问题

  1. 版本兼容性：
    • 确保cuDNN版本（9.12）与CUDA13.0匹配，可通过NVIDIA cuDNN兼容性表查询；
    • Python版本推荐3.9~3.13，避免过高版本导致依赖包不兼容。
  2. 网络问题：
    • 若conda/pip下载缓慢，配置国内镜像（如清华conda镜像：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/nvidia/）；
    • 若CUDA源无法访问，替换为中科大CUDA源：sudo sed -i 's/developer.download.nvidia.com/mirrors.ustc.edu.cn\/nvidia-cuda/' /etc/apt/sources.list.d/cuda.list。
  3. 编译报错处理：
    • 若报错“nvcc not found”，重新执行source ~/.bashrc；
    • 若报错“libcudnn.so not found”，激活conda环境（conda activate cuda13_env）并执行export LD_LIBRARY_PATH=$CONDA_PREFIX/lib:$LD_LIBRARY_PATH。

九、结语

本文完成WSL2-Ubuntu中Anaconda→CUDA13.0→cuDNN9.12→PyTorch的完整部署，通过实操日志和多维度验证，确保环境支持本地CUDA编译与GPU加速深度学习任务。后续可基于此环境安装依赖CUDA的自定义软件包（如深度学习框架插件、自定义算子），直接用于模型训练与推理开发。

参考链接汇总

  1. Anaconda安装：https://aicity.blog.csdn.net/article/details/144737143?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
  2. CUDA13.0安装：https://aicity.blog.csdn.net/article/details/144735570?spm=1011.2415.3001.10575&sharefrom=mp_manage_link；
  3. 官方指引：https://developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&Distribution=WSL-Ubuntu&target_version=2.0&target_type=deb_network
  4. cuDNN9.12安装：https://aicity.blog.csdn.net/article/details/144734627?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
  5. 网络代理配置：https://blog.csdn.net/u014451778/article/details/146073726?sharetype=blog&shareId=146073726&sharerefer=APP&sharesource=u014451778&sharefrom=link
  6. CUDA Toolkit场景说明：https://aicity.blog.csdn.net/article/details/148660071?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
  7. PyTorch下载源：https://download.pytorch.org/whl/cu129
http://www.dtcms.com/a/348753.html

相关文章：

  • 深度学习与自动驾驶中的一些技术
  • 51c自动驾驶~合集18
  • 点评《JMeter核心技术、性能测试与性能分析》一书
  • 使用单个连接进行数据转发的设计
  • 大数据毕业设计选题推荐-基于大数据的北京市医保药品数据分析系统-Spark-Hadoop-Bigdata
  • 1688拍立淘接口数据全面解析详细说明（item_search_img）
  • Highcharts Maps/地图 ：高性能的地理数据可视化方案
  • 打工人日报#20250824
  • CTFHub技能树 git泄露3道题练习--遇到没有master如何解决！！！
  • 一文掌握 Java 键盘输入：从入门到高阶（含完整示例与避坑指南）
  • 【大模型LLM学习】Research Agent学习笔记
  • c++随笔二
  • CI/CD企业案例详解
  • 从零开始学习概念物理（第13版）（1）
  • 问卷管理系统测试报告
  • 极验demo（float）（二）
  • JAVA快速学习(一)
  • 30分钟通关二分查找：C语言实现+LeetCode真题
  • 【通识】大模型
  • AI工具：开启开发实践的新纪元
  • Qt---架构文件.pro
  • Shell 循环实战：while 与 until 的趣味编程之旅
  • 【轨物交流】轨物科技亮相“智汇日照・杭电赋能”科技合作交流会，共谋产学研用新篇章
  • MOS的导通及应用
  • 6.2 el-menu
  • 20.13 ChatGLM3 QLoRA微调实战：3步实现高效低资源训练
  • 06 - spring security角色和权限设置
  • 虚拟机蓝屏问题排查与解决
  • 小工具推荐
  • 【数据结构】栈和队列——栈