基于windows11配置深度学习环境包含WSL2配置ubuntu20.04
- 目录
- 平台
- WSL2 系统准备(Windows Subsystem of Linux)
- 安装WSL2
- 基于WSL2中的Ubuntu安装CUDA和cudnn
- CUDA 安装
目录
平台
系统 : windows11 专业版
CPU Intel I7 8750hq
显卡：Nvidia GTX1060移动端
显卡驱动版本：512.89
CUDA版本 11.6
这里显卡驱动安装就不再详细说明了，根据显卡型号到英伟达官网下载安装即可
windows 11 下载安装链接：windows11
WSL2 系统准备(Windows Subsystem of Linux)
优势：
1、基于windows11的linux子系统能够帮助快速上手进行使用不需要安装双系统来回重启切换。
2、能够和windows之间直接进行数据访问。
3、能够快速上手linux服务，深度学习执行速度优于windows
缺点：
1、环境部署与真实Linux存在区别
2、访问同一路径和windows存在差异需要根据环境进行修改
安装WSL2
windows11 安装 WSL2有两种方式：
1、在命令提示符或者power shell中执行以下命令：
# 需要开启梯子，否则可能出现服务器地址无法访问的问题
wsl --list --online
# 根据上述命令的结果提示选择安装需要的linux系统，这里以Ubuntu20.04为例
wsl --install -d Ubuntu-20.04这种方案一般需要有翻墙的网络支撑
2、直接打开微软应用商店搜索Ubuntu应用点击下载安装等待安装完成即可
上述方案安装的Ubuntu一般位于C盘，占用的是系统盘，当系统盘不够大时，可以在安装完成之后在:设置->应用->安装的应用 里面将其迁移至其它盘符。
基于WSL2中的Ubuntu安装CUDA和cudnn
CUDA 安装
1、根据显卡驱动版本选择CUDA版本在命令提示符中输入一下命令进行查看：
nvidia-smi
若执行命令显示nvidia-smi不是内部或者外部命令。则可能存在两个原因1、没有安装驱动，解决办法，安装驱动。2、nvidia-smi.exe不在环境变量中。解决方案在C盘中搜索nvidia-smi.exe直接拖入命令提示符或者将其所在路径添加至环境变量中再执行。实际上也可以通过英伟达的控制面板进行查看：
在桌面上点击右键->显示更多选项->NVIDIA控制面板：
2、至英伟达官网下载CUDA
安装完成CUDA后一般在/usr/local/cuda-11.6中
3、安装CUDNN
部分博主介绍采用离线安装的方式进行安装如：
安装cudnn同样至英伟达官网下载CUDNN
下载完成后采用命令进行解压：
tar -zxvf cudnn-你的cudnn版本.tgz
#如果下载的版本较新则采用以下命令：
tar -xvf cudnn-linux-x86_64-8.6.0.163_cuda11-archive.tar.xz解压完成后将解压的文件复制到CUDA-11.6目录对应的文件夹下
sudo cp /include/cudnn*.h /usr/local/cuda-11.6/include
sudo cp /lib/libcudnn* /usr/local/cuda-11.7/lib64*拷贝完成后需要修改文件的读取权限：
sudo chmod a+r /usr/local/cuda-11.6/include/cudnn.h
sudo chmod a+r /usr/local/cuda-11.6/lib64/libcudnn*实际上我采用了这种方案进行安装后运行tensorRT出现了 libcudnn_cnn_infer.so.8 not in path的问题
理所当然的我们认为这个cudnn的库不在环境变量中因此我们在环境变量中将库路径添加进去了
vim ~/.bashrc
#在文件末尾添加了这两行
export PATH=$PATH:/usr/local/cuda-11.6/bin
export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
# 保存退出执行
source ~/.bashrc然而并没有用。
因此我们采用了apt进行安装解决了上面的问题
sudo apt-get update
sudo apt install nvidia-cudnn至此CUDA和CUDNN的环境配置完成
