WSL的安装与使用详解

WSL的安装与使用详解

       摘要：WSL 的工作机制、Windows/Linux 切换方式、文件 & 网络共享、虚拟机 vs 物理机的区别，以及 Conda 的必要性，我来完整解释一下：

---

1️⃣ WSL（Windows Subsystem for Linux）是什么？

• Microsoft 提供的 Linux 子系统，允许在 Windows 10/11 下直接运行 Linux 环境。
• 目前有两个版本：
  • WSL1：非虚拟机，翻译系统调用 → Windows 内核执行，所以性能接近原生，但兼容性有限。
  • WSL2（主流）：基于 Hyper-V，运行一个轻量级的 真正的 Linux 内核虚拟机（但启动速度和性能优化比普通虚拟机好很多）。

👉 所以可以这样理解：

• WSL1 = Windows 内核模拟 Linux。
• WSL2 = Windows 内核旁边跑一个轻量虚拟机，专门运行 Linux 内核。
• 从使用者角度看，它比 VMware/VirtualBox 轻巧，但相比真正裸机 Linux 还是有限制。

---

2️⃣ WSL/Windows 两边如何切换？

切换方式取决于使用习惯：

• 命令行切换

  • 在 Windows PowerShell 或 CMD 输入：

    wsl
    

    就进入 WSL Linux 终端。
  • 输入：

    exit
    

    就回到 Windows。

• 图形化/VSCode

  • Visual Studio Code 安装 Remote - WSL 扩展，可以一键切换到 Linux 文件系统下写代码。
  • 在 VSCode 窗口底部会提示：已连接到 WSL:Ubuntu-20.04。

👉 本质：WSL 和 Windows 共享同一台机器，你只需要在命令行输入 wsl 或用 VSCode remote 就能“切换”。

---

3️⃣ 文件共享

• 在 Windows → 访问 Linux 文件

  • WSL2 的 Linux 根目录挂载在：

    \\wsl$\Ubuntu-20.04\
    

  • 可以在资源管理器地址栏直接输入 \\wsl$，访问 Linux 文件。

• 在 Linux → 访问 Windows 文件

  • Windows 的磁盘会被挂载到 /mnt/ 目录，比如：

    /mnt/c   对应 C盘
    /mnt/d   对应 D盘
    

  • 例如：Linux 下访问 C:\Users\你的名字\Desktop → /mnt/c/Users/你的名字/Desktop

👉 所以两边可以很方便传文件，双向互通。

---

4️⃣ 网络共享

• WSL2 默认使用 NAT 网络，相当于 Linux 有一个虚拟网卡，通过 Windows 转发出去。特点是：
  • Linux 可正常上网；
  • WSL 与 Windows 互相能通过 localhost 访问服务（需要配置端口转发）；
  • 如果需要从外部访问 Linux 的服务（比如跑 Jupyter Notebook），一般通过 localhost:端口号 即可。

例如：

在 WSL Linux 里跑 Jupyter：

jupyter notebook --ip 0.0.0.0 --port 8888

然后在 Windows 浏览器访问：

http://localhost:8888

就能直接打开。

---

5️⃣ WSL 是虚拟机还是物理机？

• WSL1：不是真正虚拟机，Linux 系统调用被翻译成 Windows 内核 API。
• WSL2：严格来说就是一种轻量级虚拟机（VM），但微软对其做了优化：
  • 启动速度几乎秒开；
  • 与 Windows 文件/网络高度集成；
  • 资源动态分配，不像传统 VM 要固定划分内存和硬盘；
• 不是物理机：它依赖 Windows 来管理内核，不能单独运行。

👉 可以理解成：在 Windows 里运行了一个高度优化过的 Linux 虚拟机，但体验接近原生。

---

6️⃣ 为什么需要安装 Conda？

       WSL 装好 Linux 后，其实就是一台干净的 Ubuntu（或其他 Linux 发行版），需要配置环境来跑 AI/EDA 相关实验。

为什么选择 Conda？

1. 环境隔离

   • SoC 验证/LLM 实验需要各种 Python 包（pytorch, transformers, bitsandbytes...）。
   • 直接在系统 Python 装容易冲突，Conda 能给不同项目隔离环境。

2. 依赖管理方便

   • 有现成的 CUDA/PyTorch 包，conda install pytorch torchvision torchaudio cudatoolkit=12.1 -c pytorch 一行搞定。

3. 适合科研/开发

   • Conda 可以开 env：

     conda create -n soc python=3.10
     conda activate soc
     

     然后在这个环境里专门装你 SoC 验证项目需要的依赖。

👉 总结：

       需要 Conda 的原因是可控性和复现性，实现不同实验环境互不干扰，结合 WSL 就能接近“Linux 服务器 + GPU 环境”的体验。

---

✅ 总结

• WSL 是什么？ Windows 下运行 Linux 的方式 → WSL1（系统调用翻译），WSL2（轻量虚拟机）。
• 怎么切换？ wsl 进入 Linux，exit 返回 Windows；VSCode Remote 更方便。
• 文件共享？ Windows ↔ Linux 互通：Windows 看 Linux：\\wsl$；Linux 看 Windows：/mnt/c。
• 网络共享？ Linux 可上网；Windows 通过 localhost 访问 Linux 服务。
• 虚拟机还是物理机？ WSL2 本质是虚拟机，但高度优化，不需要像 VMware 那样笨重配置。
• 为什么安装 Conda？ 管理 Python 环境、解决依赖冲突、方便复现，科研必备。

---

架构示意图

下面是一个分层示意图（HTML+CSS 绘制），清楚展示关系：

2️⃣ Conda 环境怎么用？

进入 WSL 终端后：

① 安装 Miniconda（轻量版即可）：

# 下载 Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 安装
bash Miniconda3-latest-Linux-x86_64.sh
# 安装完成后刷新环境
source ~/.bashrc

② 创建环境：
例如创建一个用于 SoC 验证的环境（Python 3.10）：

conda create -n soc python=3.10

③ 激活/退出环境：

conda activate soc   # 进入环境
conda deactivate     # 退出环境

④ 在环境中安装依赖：

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
pip install transformers datasets bitsandbytes peft

这样就能在 soc 环境里单独维护 PyTorch + NLP 工具链。

---

3️⃣ WSL2 如何配置 GPU 访问？

要让 WSL2 内的 Linux 使用 GPU，需要准备 3 个部分：

(A) Windows 侧驱动

1. 确保安装 最新的 NVIDIA Windows 驱动（>= 2022 年版，支持 WSL2 CUDA）
2. 驱动里自带 WSL 支持，无需额外 CUDA Toolkit（Toolkit 在 Linux 装）。

(B) WSL 配置

1. 确认 WSL 版本：

   wsl --set-version Ubuntu-20.04 2
   

2. 确认 GPU 对 WSL2 可见：

   wsl --list --verbose
   

   状态显示 "VERSION 2" 即为 WSL2。

(C) Linux 侧 CUDA 环境

1. 进入 WSL2
2. 安装 CUDA 工具包（推荐用 apt repo）：

   sudo apt update
   sudo apt install -y nvidia-cuda-toolkit
   

3. 验证 GPU 可见：

   nvidia-smi
   

   如果能看到 GPU 型号、温度、驱动版本 → 说明成功。

(D) PyTorch 测试

在 Conda 环境下测试：

import torch
print(torch.cuda.is_available())   # True
print(torch.cuda.get_device_name(0))  # 你的GPU型号

---

✅ 总结

• 架构关系：Windows（物理机 + 驱动） → WSL2（Linux 内核） → Conda 环境（隔离依赖） → Python 应用（PyTorch/Transformers）。
• Conda 创建流程：conda create -n soc python=3.10 → conda activate soc → 安装依赖。
• GPU 配置：最新 Windows 驱动 + 设置 WSL2 + 在 Linux 装 CUDA 工具包，确认 nvidia-smi 可用。

1️⃣ WSL2 GPU访问流程示意图

下面是一个示意图（HTML 内联可展示），展示 GPU 如何被 WSL2 使用：

这个流程可以直观说明：

• GPU 是物理设备
• Windows 驱动提供底层支持
• WSL2 把 GPU 映射进 Linux，暴露 libcuda.so
• Linux CUDA Toolkit + Conda 环境的深度学习框架最终调用 GPU

2️⃣ CUDA 环境变量配置是否必要？

       在 WSL2 场景 下，NVIDIA 驱动会自动挂载 GPU 库（/usr/lib/wsl/lib），所以一般 不需要手动配置环境变量。

但有些情况可能需要：

• 如果你装了 特定版本 CUDA Toolkit，可能需要在 ~/.bashrc 添加：

  export PATH=/usr/local/cuda/bin:$PATH
  export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
  

• 一般情况下，仅安装 nvidia-cuda-toolkit 就能用，不必额外配置。

---

3️⃣ nvidia-smi 报错排查步骤

如果在 WSL2 内运行 nvidia-smi 出问题，可能有几类情况：

(A) nvidia-smi: command not found

👉 表明 Linux 没装 NVIDIA 工具
解决办法：

sudo apt update
sudo apt install -y nvidia-utils-<driver-version>

例如：

sudo apt install -y nvidia-utils-535

(B) NVIDIA-SMI has failed because it couldn’t communicate with the NVIDIA driver.

👉 常见原因：

1. Windows 驱动过老，不支持 WSL GPU → 升级到最新 GeForce/Studio 驱动。
2. 没启用 WSL2 GPU 支持 → 检查 Windows 更新。
3. 混用了 CUDA Toolkit → 清掉自装的 /usr/local/cuda，让系统自动识别 /usr/lib/wsl/lib/libcuda.so。

(C) PyTorch 显示 GPU 不可用

import torch
print(torch.cuda.is_available())  # False

👉 可能是因为：

• 用错 Conda 环境 → 在 GPU 环境里重新 pip 安装 torch + pytorch-cuda：

  conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
  

• 缺少 CUDNN/TensorRT → 可单独安装 cudnn 包

(D) 检查版本匹配

• nvidia-smi 的 CUDA driver API 版本必须 ≥ PyTorch 对应的 CUDA runtime。
  用：

  nvidia-smi
  nvcc -V
  python -c "import torch; print(torch.version.cuda)"
  

  确认版本对齐。

---

✅ 总结

1. 访问流程：Windows GPU → NVIDIA Driver → WSL2 内核 → libcuda.so → CUDA Toolkit → PyTorch。
2. CUDA 环境变量：一般不需要手动配置，除非你额外安装了特定版本的 CUDA Toolkit。
3. 排查 nvidia-smi 报错：
   • command not found → 装 nvidia-utils
   • couldn't communicate → 升级 Windows 驱动 + 确保 WSL2 GPU 支持开启
   • PyTorch 不认 GPU → 重新安装 PyTorch + pytorch-cuda
   • 检查 CUDA driver API ≥ runtime 版本