做 AI 開發(fā)這幾年我對環(huán)境折騰這件事一直有種矛盾感。Windows 下裝 PyTorch 倒是方便但一到編譯 C 擴展、跑 shell 腳本、做模型推理部署尤其在碰到一些只發(fā) Linux 二進制包的庫時Windows 那套環(huán)境就處處掣肘。雙系統(tǒng)又太傷來回重啟浪費時間不說Windows 端的數(shù)據(jù)和 Linux 端的項目還不能隨時互訪。直到我認真把 WSL2 用起來之后這個問題才算徹底解決。它本質(zhì)上是一個運行在 Windows 內(nèi)部的輕量虛擬機帶完整 Linux 內(nèi)核支持 GPU 直通讓 Windows 用戶也能絲滑地跑 CUDA、PyTorch、大模型推理這類標準的 AI 工作流。這篇文章我會把 WSL2 從環(huán)境選型、安裝配置、GPU 直通驗證、CUDA 環(huán)境搭建到常見報錯排查完整走一遍。適合剛?cè)胧稚疃葘W習、想做本地大模型推理、或者受不了 Windows 原生 Python 環(huán)境的開發(fā)者。你要是已經(jīng)裝了 WSL2 但 GPU 一直不工作可以直接跳到第三節(jié)和第五節(jié)看排查思路。1. 為什么選擇 WSL2 搭建 AI 開發(fā)環(huán)境1.1 WSL2 不是“虛擬機”那么簡單很多朋友一聽“虛擬機”就下意識拒絕覺得性能有損耗、操作也麻煩。但實際上 WSL2 跟傳統(tǒng)虛擬機差別非常大。WSL1 還是個 API 翻譯層把 Linux 系統(tǒng)調(diào)用轉(zhuǎn)成 Windows 調(diào)用跑起來快但兼容性有限很多依賴系統(tǒng)調(diào)用的程序根本跑不了WSL2 干脆換了個思路直接在一個輕量化的 Hyper-V 虛擬機里跑一個完整的、經(jīng)過微軟優(yōu)化裁剪的 Linux 內(nèi)核。這意味著什么你在 WSL2 里拿到的不是一個模擬出來的 Linux 外殼而是貨真價實的 Linux 內(nèi)核系統(tǒng)調(diào)用幾乎 100% 兼容。什么 systemd、Docker、CUDA 驅(qū)動棧、eBPF甚至一些內(nèi)核模塊都能正常工作。我在 WSL2 里跑過 Docker 容器、編譯過 Linux 內(nèi)核模塊、跑過需要 io_uring 的異步程序體驗和物理機上的 Ubuntu 幾乎沒有差別。另一個容易忽略的點是啟動速度。WSL2 的虛擬機不是傳統(tǒng) VM 那種冷啟動流程而是按需啟動、后臺常駐第一次進入需要幾秒鐘之后開一個終端窗口幾乎就是秒開。加上 VS Code 的 Remote-WSL 擴展整個開發(fā)體驗非常接近本機操作不會有“我在一臺虛擬機里”的割裂感。1.2 GPU 直通的原理與真相標題里“GPU 直通”其實是個容易讓人誤會的說法。WSL2 并不是像 VMware 那樣把 NVIDIA 顯卡完整分配給虛擬機而是通過微軟和 NVIDIA 合作開發(fā)的 GPU-PVGPU 半虛擬化技術(shù)在 WSL2 內(nèi)核里暴露了一個/dev/dxg設備節(jié)點把 CUDA 調(diào)用轉(zhuǎn)發(fā)給 Windows 宿主側(cè)的顯卡驅(qū)動。真正干活的時候你從 Linux 側(cè)發(fā)的 CUDA 請求會經(jīng)過 WSL2 的 dxgkrnl 驅(qū)動由 Windows 的 NVIDIA 驅(qū)動執(zhí)行最后把結(jié)果返回給 Linux 側(cè)。這個轉(zhuǎn)發(fā)層的開銷在大多數(shù)深度學習任務里完全可以忽略不計。我在 WSL2 里跑 Stable Diffusion 的 fp16 推理和一個 7B 規(guī)模的模型微調(diào)顯存占用、速度與雙系統(tǒng)裸跑幾乎沒有可感知的差別。這里有一個關(guān)鍵結(jié)論很多人被各種教程繞暈了WSL2 里不需要安裝 Linux 版的 NVIDIA 驅(qū)動。你只需要在 Windows 側(cè)裝一個支持 WSL2 的 NVIDIA 驅(qū)動WSL2 內(nèi)部就能直接通過 nvidia-smi 看到顯卡。Windows 驅(qū)動就是 Linux 側(cè)的驅(qū)動沒有雙份驅(qū)動的概念這比雙系統(tǒng)省心太多了。1.3 雙系統(tǒng)、純 Windows、遠程服務器怎么選我身邊不止一個朋友在環(huán)境選型上糾結(jié)很久我說說自己的對比結(jié)論。雙系統(tǒng)的優(yōu)勢是性能最完整、兼容性最好但代價是切換成本極高。開發(fā)過程中經(jīng)常要查文檔、看教程、發(fā)消息這些都在 Windows 側(cè)來回重啟一次至少五分鐘除非你一個上午只專注在一件事上否則效率損失非常大。純 Windows 跑 AI 的問題在于生態(tài)。TensorFlow 和 PyTorch 在 Windows 上的支持已經(jīng)好了很多但一旦你要用一些底層依賴 Linux 的庫比如某些只提供.so的推理引擎、需要編譯驅(qū)動的項目、或者要部署到 Linux 服務器的代碼Windows 就很容易卡殼。而且 Docker Desktop 在 Windows 上默認要跑一個 Linux VM最終還是繞回 Linux 環(huán)境。遠程服務器適合模型訓練和部署但日常開發(fā)和調(diào)試不適合。就算內(nèi)網(wǎng)延遲低SSH 來回傳文件、編輯器遠程插件的體驗終究不如本地順手。而且私有數(shù)據(jù)放遠端很多人心里不踏實。WSL2 正好卡在幾者中間本地實時交互、Linux 內(nèi)核兼容、能跑 Windows 下的 IDE 和瀏覽器。我現(xiàn)在的工作流是WSL2 里管理代碼、跑訓練和推理Windows 側(cè)開瀏覽器看文檔、用微信溝通、用截圖工具做記錄兩邊通過 VS Code Remote 無縫銜接體驗相當順暢。2. 環(huán)境準備與安裝配置2.1 硬件和系統(tǒng)版本要求先說硬性條件免得你裝到一半卡殼。Windows 10 版本 200420H1及以上或者 Windows 11。低版本的系統(tǒng)默認不支持 WSL2需要手動開啟“虛擬機平臺”功能很折騰。主板 BIOS 里必須開啟虛擬化技術(shù)Intel 叫 VT-xAMD 叫 SVM。這一步很多人忽略導致報“無法啟動因為此計算機上未啟用虛擬化”。內(nèi)存至少 16GB。跑深度學習訓練或者加載大模型16GB 是入門水平想要舒服一點建議 32GB。顯卡方面NVIDIA 顯卡是體驗最好的驅(qū)動從 470.76 版本開始支持 WSL2 CUDAAMD 顯卡也能用但 AI 生態(tài)的兼容性和 CUDA 完全不能比。系統(tǒng)的內(nèi)存分配也值得注意。WSL2 默認最多使用宿主機 50% 的內(nèi)存如果 Windows 側(cè)同時開著瀏覽器和一堆軟件內(nèi)存很容易吃緊。后面我會講怎么通過.wslconfig文件手動控制分配反正 16GB 內(nèi)存的用戶建議先提前做好心理準備。2.2 標準安裝流程現(xiàn)在的 Windows 11 安裝 WSL2 很簡單管理員權(quán)限打開 PowerShell 或 Windows Terminal一條命令wsl --install這條命令會自動開啟需要的 Windows 功能下載內(nèi)核設置默認發(fā)行版為 Ubuntu整個過程基本不用干預。如果要做 AI 開發(fā)我建議顯式指定 Ubuntu 22.04wsl --install -d Ubuntu-22.04安裝完成后重啟電腦重啟完系統(tǒng)會要求你設置 Linux 用戶名和密碼然后你會落到一個 Bash 提示符下。到這里 WSL2 骨架已經(jīng)搭好了你可以先跑一下uname -r確認內(nèi)核版本能看到內(nèi)核版本號說明 WSL2 已經(jīng)正確工作。我建議跟著做兩件事第一運行sudo apt update sudo apt upgrade -y把系統(tǒng)更新到最新第二安裝基礎工具鏈sudo apt install -y build-essential git curl wget unzipbuild-essential 里的 gcc、g 和 make 是后面編譯很多 Python 包時的硬依賴不裝的話你會碰到各種莫名奇妙的編譯報錯。2.3 離線安裝與下載慢的解決思路很多人的 WSL2 安裝卡在下載 Ubuntu 鏡像這一步要么是網(wǎng)絡差要么是斷點續(xù)傳出問題。我在幫同事排查時常見的現(xiàn)象是wsl --install跑半天最后報個超時錯誤再試一次又從零開始。碰到這種問題我推薦兩種替代方案。第一種直接打開 Microsoft Store 搜索 Ubuntu 22.04從商店頁面點擊安裝。商店下載本身支持斷點續(xù)傳速度通常比命令行穩(wěn)定。裝完以后從開始菜單直接啟動 Ubuntu首次啟動同樣會要你設置用戶名密碼。第二種如果連商店都慢可以用手動下載方式。打開瀏覽器訪問 Ubuntu WSL 鏡像的官方下載頁面下載.appx或者.msixbundle文件然后雙擊安裝。這種方式的好處是下載過程可以被瀏覽器接管支持多線程加速下載完了以后安裝是秒級完成的。下載完把文件后綴改成.zip解壓后運行里面的ubuntu.exe即可完成注冊。還有一點很多教程會教你設置 apt 國內(nèi)鏡像源這個我強烈建議做。在/etc/apt/sources.list里把archive.ubuntu.com替換成可用的國內(nèi)鏡像地址不然裝 CUDA 和 PyTorch 依賴時會等到懷疑人生。2.4 Ubuntu 22.04 還是 24.04寫這篇之前我專門對比過兩個版本。當前階段我建議選Ubuntu 22.04 LTS。原因很簡單AI 工具鏈的兼容性。PyTorch、TensorFlow 這些框架的預編譯 wheel 包對 Ubuntu 22.04 上的 Python 版本3.10和 GCC 版本支持是最成熟的。Ubuntu 24.04 默認帶的 Python 3.12 和更新的 OpenSSL反而可能和一些還沒跟上節(jié)奏的庫產(chǎn)生依賴沖突我在 24.04 上安裝某些舊版 CUDA 工具鏈的時候就踩過坑。如果你想用 24.04 圖個新也不是不行但要做好心理準備要么所有套件都手動編譯要么碰到某些老庫安裝不上的情況時自己去折騰兼容方案。做 AI 開發(fā)最重要的是環(huán)境穩(wěn)定沒必要為了系統(tǒng)版本新而給自己找麻煩。22.04 的維護期到 2032 年完全夠用了。3. GPU 直通與 CUDA 環(huán)境搭建3.1 宿主機驅(qū)動優(yōu)先原則前面說過WSL2 的 GPU 支持依賴 Windows 側(cè)的驅(qū)動所以第一步永遠是把 Windows 上的 NVIDIA 驅(qū)動升級到最新或足夠新的版本。打開 Windows 的nvidia-smi看一下 Driver Version如果低于 511建議直接去 NVIDIA 官網(wǎng)下載對應顯卡型號的最新驅(qū)動。我在實際部署中驗證過的一個結(jié)論是Windows 驅(qū)動版本不要太追求新也不要太舊。太新的驅(qū)動偶爾會和某些 CUDA 版本的鏡像倉庫存在小沖突太舊則不支持 WSL2 的 CUDA 轉(zhuǎn)發(fā)。相對穩(wěn)妥的選擇是 NVIDIA 官網(wǎng)的 Game Ready 或 Studio 驅(qū)動Studio 驅(qū)動穩(wěn)定性更好適合搞開發(fā)和訓練我工作室的機器一直用 Studio 驅(qū)動。驅(qū)動裝好以后在 WSL2 終端里直接運行nvidia-smi如果能看到類似下面的輸出說明 GPU 直通鏈路已經(jīng)通了--------------------------------------------------------------------------------------- | NVIDIA-SMI 535.154.05 Driver Version: 536.67 CUDA Version: 12.2 | ---------------------------------------------------------------------------------------這里注意一個細節(jié)輸出里顯示的 CUDA Version 只是驅(qū)動支持的 CUDA 最大版本不代表 WSL2 里就能直接用這個版本的 CUDA。你還需要在 Linux 側(cè)單獨安裝 CUDA Toolkit。3.2 在 WSL2 內(nèi)安裝 CUDA ToolkitWSL2 里安裝 CUDA Toolkit我推薦用 NVIDIA 官方提供的 WSL-Ubuntu 軟件源比直接去官網(wǎng)下載 runfile 安裝方便得多升級維護也簡單。針對 Ubuntu 22.04依次執(zhí)行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-12-4這里有個容易踩的坑很多人直接執(zhí)行sudo apt install cuda這個包會安裝所有 CUDA 組件包括驅(qū)動相關(guān)的東西體積巨大且容易沖突。裝cuda-toolkit-12-4這種帶版本號的包就夠了它只裝編譯器和開發(fā)庫不含驅(qū)動。裝完以后配置環(huán)境變量。編輯~/.bashrc末尾追加export PATH/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH/usr/local/cuda/lib64:$LD_LIBRARY_PATH然后執(zhí)行source ~/.bashrc再運行nvcc --version能正常輸出版本號說明 CUDA Toolkit 已經(jīng)就位。3.3 安裝 PyTorch 并跑通 GPU 驗證有了 CUDA Toolkit接下來裝深度學習框架就順理成章了。我現(xiàn)在的工作環(huán)境是 Python 3.10 PyTorch建議先用 venv 隔離環(huán)境別把系統(tǒng)的 Python 環(huán)境搞亂。python3 -m venv ~/ai-env source ~/ai-env/bin/activate pip install --upgrade pip注意PyTorch 的安裝源分 CPU 和 GPU 版本。直接用pip install torch默認裝的是 CPU 版你得指定 CUDA 版本對應的 wheel 源pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124這里cu124表示 CUDA 12.4如果你的 toolkit 是 12.4 就選這個。安裝完成后寫一個最簡單的驗證腳本import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0)) print(torch.cuda.get_device_capability(0))如果torch.cuda.is_available()輸出True說明 PyTorch 已經(jīng)能用上 GPU。我再建議用一個幾秒鐘就能跑完的真實計算驗證一下而不是只查布爾值import torch a torch.randn(10000, 10000, devicecuda) b torch.randn(10000, 10000, devicecuda) c torch.matmul(a, b) print(c.sum().item())能正常輸出一個數(shù)值就說明顯存分配、計算內(nèi)核、內(nèi)存交換全鏈路都沒問題。我第一次配完測這個矩陣乘法的時候看到那一瞬間的輸出心里才真正踏實了。3.4 大模型推理的額外配置很多人接 WSL2 不只是為了訓練模型更是為了本地跑大模型推理比如 LLaMA 系列、Qwen 系列。這類場景我建議直接裝 Ollama它是目前把大模型本地化做得最省心的工具之一。curl -fsSL https://ollama.com/install.sh | sh安裝完成以后拉取一個適合你顯卡顯存的模型。實時來說8GB 顯存建議用 7B 量級的量化模型16GB 顯存可以嘗試 13B 甚至 32B 的四位量化模型ollama run qwen2.5:7bOllama 本身會自動檢測 WSL2 里的 CUDA 環(huán)境不需要額外配置。我第一次在 WSL2 里跑通 7B 模型對話時生成速度和雙系統(tǒng)下幾乎一樣那一刻真的覺得 WSL2 值得折騰。如果你要做更精細的推理部署比如用 vLLM 做批量推理或提供 OpenAI 兼容 API那就需要在 WSL2 里額外裝 vLLM。這一步建議用pip install vllm但在編譯過程中會有一些底層依賴需要 C 編譯器前面讓你裝的 build-essential 就是在這時候派上用場的。4. 開發(fā)體驗優(yōu)化技巧4.1 文件系統(tǒng)的性能陷阱WSL2 有一個非常容易被忽視的坑跨文件系統(tǒng)訪問的性能極差。我見過很多人把代碼放在 Windows 的D:\projects目錄下然后在 WSL2 里直接訪問/mnt/d/projects結(jié)果訓練時加載數(shù)據(jù)慢得離譜還以為是 GPU 直通沒生效。原因是 WSL2 訪問/mnt/d的 Windows 文件系統(tǒng)時要經(jīng)過 9P 協(xié)議轉(zhuǎn)換I/O 開銷巨大。而數(shù)據(jù)密集型任務中最耗時的恰恰是大量小文件的隨機讀取這個場景下 9P 的瓶頸尤其明顯。解決思路很簡單所有代碼和數(shù)據(jù)集一定要放在 WSL2 自己的文件系統(tǒng)里也就是~/路徑下。Windows 側(cè)的文件復制到 WSL2 我的習慣用法cp -r /mnt/d/datasets /home/username/datasetsWSL2 訪問自己的 ext4 文件系統(tǒng)時速度幾乎等同宿主機直讀。我在實際測試中用同樣的數(shù)據(jù)集做圖像分類訓練放在/mnt/d下每輪 epoch 耗時 180 秒挪到~/datasets后直接降到 95 秒差距就是這么懸殊。4.2 把 WSL2 遷移到 D 盤很多人的 C 盤是固態(tài)硬盤空間本來就不寬裕。WSL2 的虛擬磁盤文件一個 vhdx 后綴的鏡像文件動輒二三十 GB如果裝了 CUDA、PyTorch 再拉幾個模型輕松突破 50GB。把 WSL2 遷移到其他盤符是必須掌握的技能。遷移前先關(guān)閉 WSL2wsl --shutdown然后導出當前發(fā)行版到鏡像文件wsl --export Ubuntu-22.04 D:\wsl_backup\ubuntu2204.tar這一步根據(jù)系統(tǒng)體積大小會耗時幾分鐘到十幾分鐘。導出完成后可以注銷原來的發(fā)行版wsl --unregister Ubuntu-22.04注意unregister 會刪除原系統(tǒng)的虛擬磁盤文件執(zhí)行前確認自己的數(shù)據(jù)已經(jīng)導出備份好了。最后重新導入到新的目錄wsl --import Ubuntu-22.04 D:\WSL\Ubuntu-22.04 D:\wsl_backup\ubuntu2204.tar --version 2導入后默認會以 root 用戶進入并且默認用戶不是原來的用戶名。修改方式是在 WSL2 里編輯/etc/wsl.conf加入[user] defaultusername這里的username替換成你原來的 Linux 用戶名。改完執(zhí)行wsl --shutdown再重新啟動就能回到原來的用戶環(huán)境。4.3 VS Code 連接與 Python 解釋器配置開發(fā) AI 項目離不開一個趁手的編輯器。VS Code 的 Remote-WSL 擴展是我現(xiàn)在使用頻率最高的組合它不需要 SSH不需要額外配置直接就能在本地窗口里打開 WSL2 內(nèi)的項目目錄。安裝步驟只有兩步在 Windows 的 VS Code 里裝WSL擴展擴展 ID 是ms-vscode-remote.remote-wsl然后在任意 WSL2 終端里執(zhí)行code /path/to/projectVS Code 會自動啟動一個連接到 WSL2 的窗口這個窗口里所有操作都發(fā)生在 Linux 環(huán)境內(nèi)。你打開的終端是 bash你安裝的 Python 解釋器是 Linux 版本甚至連斷點調(diào)試走的都是 WSL2 的進程。這里有個細節(jié)要注意VS Code 的 Python 解釋器選擇。底部狀態(tài)欄點一下 Python 版本號選擇你創(chuàng)建的那個 venv 路徑/home/username/ai-env/bin/python。如果不手動指定VS Code 可能會自動選系統(tǒng) Python導致你 pip 裝好的 torch 在編輯器里報找不到模塊。配合 Jupyter 插件的體驗也值得一提。你在 WSL2 里打開一個.ipynb文件選好 Python 內(nèi)核后每個 cell 的代碼都直接跑在 Linux 環(huán)境里GPU 資源同樣可用。這比我在 Windows 原生跑 Jupyter 時碰到的各種路徑分隔符、環(huán)境變量問題干凈太多了。4.4 內(nèi)存和 CPU 限制WSL2 默認不是無限使用宿主機內(nèi)存的。它默認分配的是宿主機總內(nèi)存的 50%或者 8GB取兩者中較小的一個。跑大模型或者做訓練時這個默認值很可能不夠用尤其是你怎么調(diào)都感覺 WSL2 里的程序總是 OOM 的時候。解決方案是在 Windows 用戶目錄下創(chuàng)建一個.wslconfig文件比如C:\Users\你的用戶名\.wslconfig內(nèi)容類似[wsl2] memory16GB processors8 swap8GB localhostForwardingtrue改完以后執(zhí)行wsl --shutdown再重啟 WSL2 才能生效。這里的memory是 WSL2 可用內(nèi)存上限processors是可用 CPU 核心數(shù)swap是 WSL2 自己的交換空間大小相當于 Linux 的交換分區(qū)。我個人建議如果宿主機是 16GB 內(nèi)存WSL2 分配 12GB 左右會比較平衡留 4GB 給 Windows 側(cè)開瀏覽器和編輯器。如果是 32GB 內(nèi)存直接分配 24GB基本上能滿足大部分本地大模型的需求。swap 也不用設得太大SSD 交換速度比內(nèi)存慢太多swap 只是用來防止 OOM真到了頻繁寫 swap 的地步說明顯存或內(nèi)存規(guī)劃本身出問題了。5. 常見問題與排查實錄5.1 “WSL2 尚未準備就緒”怎么處理這個報錯是我被問過最多的問題也是 WSL2 部署里最容易出狀況的一環(huán)。通常在初次執(zhí)行wsl --install之后或者 Windows 更新之后出現(xiàn)。根因多半是 WSL2 內(nèi)核沒有正確安裝或更新。先試試手動更新內(nèi)核wsl --update如果這條命令卡住不動多半是網(wǎng)絡問題?？梢詸z查一下 Windows Update 服務是否正常運行或者干脆去微軟官方 GitHub 倉庫下載 WSL2 內(nèi)核安裝包.msi文件手動安裝。下載后雙擊運行安裝完成后重新打開 WSL2 終端。還有一個隱蔽的原因Windows 功能里“虛擬機平臺”沒有完全啟用。在 PowerShell 管理員模式運行dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart然后重啟電腦。這個功能是 WSL2 的底層依賴缺了它一切 WSL2 內(nèi)核都起不來。5.2 “無法啟動因為此計算機上未啟用虛擬化”這個報錯幾乎都和 BIOS 虛擬化開關(guān)有關(guān)但有意思的是很多人的機器其實已經(jīng)開了虛擬化問題出在 Windows 的“內(nèi)核隔離”或“基于虛擬化的安全”和現(xiàn)有的虛擬機功能沖突。排查步驟我建議按順序來第一步打開任務管理器切到“性能”標簽看“虛擬化”一欄是否顯示“已啟用”。如果顯示“已禁用”重啟進 BIOS找 Intel Virtualization Technology 或者 SVM Mode開啟后保存退出。第二步檢查 Windows 可選功能?？刂泼姘?→ 程序 → 啟用或關(guān)閉 Windows 功能確認“虛擬機平臺”和“適用于 Linux 的 Windows 子系統(tǒng)”兩個勾選框都打勾了。這里有一點容易讓人困惑Hyper-V 不勾選其實沒關(guān)系WSL2 并不需要完整的 Hyper-V 角色只需要虛擬化平臺這一層。第三步如果前兩步都沒問題檢查 Windows 設置里的“內(nèi)核隔離”。在 Windows 安全中心 → 設備安全性 → 內(nèi)核隔離設置里把“內(nèi)存完整性”關(guān)閉然后重啟。這個功能有時會干擾 Hyper-V 層的運行。我在某臺筆記本上就碰到過這個問題關(guān)掉內(nèi)存完整性后 WSL2 立刻正常啟動。5.3 GPU 無法識別nvidia-smi 報錯本來nvidia-smi好好的某天打開 WSL2 卻發(fā)現(xiàn)找不到 GPU 了。這種事我在 Win11 的系統(tǒng)更新后踩過好幾次原因基本都是 Windows 驅(qū)動更新被 Windows Update 自動替換成了不兼容 WSL2 的版本。排查思路先在 Windows 的 PowerShell 里跑一下nvidia-smi如果 Windows 側(cè)也報找不到 GPU說明 Windows 驅(qū)動本身出了問題重裝 NVIDIA 驅(qū)動即可。如果 Windows 側(cè)正常WSL2 側(cè)報錯那就是 WSL2 的驅(qū)動轉(zhuǎn)發(fā)層出了問題。最直接的修復方法是完全重啟 WSL2wsl --shutdown然后再啟動 WSL2。如果還不行檢查 Windows 驅(qū)動的版本在 WSL2 里跑nvidia-smi時它會顯示 Windows 驅(qū)動版本號這個版本號必須大于 470.76否則 WSL2 的 CUDA 轉(zhuǎn)發(fā)根本不可用。我在別人機器上還見過一種特殊情況Windows 側(cè)同時裝了 NVIDIA 的 DCH 驅(qū)動和標準版驅(qū)動兩個驅(qū)動程序互相覆蓋導致 WSL2 的 GPU 接口找不到設備卸載其中一個驅(qū)動后就好了。5.4 內(nèi)存溢出與系統(tǒng)假死WSL2 里跑大模型加載時系統(tǒng)突然卡死鼠標都動不了這個場景相信不少人都遇到過。出現(xiàn)這種問題的本質(zhì)是你給 WSL2 分配的內(nèi)存上限設置太大Windows 側(cè)自身可用內(nèi)存不足而 Windows 在極端內(nèi)存壓力下會頻繁觸發(fā) swap導致整個系統(tǒng)假死。我的建議是如果你只有 16GB 內(nèi)存還想跑 13B 模型別硬撐。要么換更小的量化模型要么把.wslconfig里的 memory 調(diào)低一點給 Windows 留 4GB 保命。模型雖然大了需要更多內(nèi)存但系統(tǒng)假死的代價是模型進度毫無價值地丟掉了得不償失。還有一個相關(guān)的細節(jié)WSL2 的 vhdx 虛擬磁盤增長到很大后就算刪除了里面的文件磁盤文件也不會自動縮小。這會導致 C 盤可用空間不斷下降。定期清理大文件后可以用命令壓縮虛擬磁盤在 Windows PowerShell 里wsl --shutdown diskpart然后在 diskpart 里選擇虛擬磁盤文件所在路徑執(zhí)行compact vdisk手動壓縮磁盤空間。5.5 時間不同步和文件權(quán)限問題WSL2 有幾個算不上大故障但很影響體驗的小問題。系統(tǒng)時間不同步。如果你在 WSL2 里跑訓練時發(fā)現(xiàn)日志時間滯后或者 Git 提交的時間戳不對多半是 WSL2 的時鐘跟 Windows 宿主脫節(jié)了。重啟 WSL2 就會解決或者用sudo hwclock -s強制同步。這個問題不影響模型訓練但會影響你對比日志和版本管理建議碰到了就順手處理一下。還有Exec format error這類奇怪的報錯。如果你嘗試在 WSL2 里運行一個.exe文件或者 Windows 側(cè)的程序會報這個錯。反過來在 Windows 終端里直接運行 Linux 的二進制文件也會。這是架構(gòu)限制不是出 bug 了需要把文件復制到對的環(huán)境里再運行。文件權(quán)限的問題也值得一提。你把 Windows 文件cp到 WSL2 后文件權(quán)限默認可能變成-rwxrwxrwx這不是什么問題。反過來你在 WSL2 里創(chuàng)建的腳本拿到 Windows 側(cè)運行時可能會因為行尾符差異報錯。我的習慣是所有腳本和配置文件都在 WSL2 里用nano或vim編輯別在 Windows 的記事本里改這樣能避免行尾符引發(fā)的各種詭異問題。末尾分享一些個人體會我用了大半年 WSL2 做 AI 開發(fā)踩過不少坑從驅(qū)動問題到文件系統(tǒng)性能陷阱都經(jīng)歷過。要說最值得記住的一點就是“別把 Windows 的習慣帶進 WSL2”——代碼放 Linux 側(cè)驅(qū)動只裝 Windows 側(cè)環(huán)境隔離用 venv大模型分配內(nèi)存留余地。這套組合下來WSL2 的穩(wěn)定性和性能已經(jīng)讓我徹底放棄了雙系統(tǒng)。最后分享一個小技巧裝完 WSL2 以后建議立刻在~/.bashrc里加一條alias wswsl --shutdown以后碰到任何 WSL2 里的詭異問題先執(zhí)行ws重啟一下能解決八成的問題。這個習慣幫我省下了大量排查時間希望也能幫到你。