基于 WSL 和 Mamba 优雅配置深度学习环境

约 1675 字大约 6 分钟

2025-08-21

最近在寻找一些深度学习环境的配置教程供新人们学习，但是找了一圈基本都不满意，不是安装繁琐，就是和现代开发脱节……干脆自己写一篇现代的配置方案。
本文介绍使用 WSL 进行配置深度学习环境。内容包括：
WSL 的安装及自动代理；Miniconda 和 Mamba 安装；PyTorch GPU 版本安装。

1 WSL

适用于 Linux 的 Windows 子系统（Windows Subsystem for Linux）在 Windows 系统中提供了 Linux 的实现，并且和 Windos 在硬件和文件系统上实现互通。

1.1 WSL 安装

一般来说，你可以在 Microsoft Store 获取 Linux 发行版，如 Ubuntu 24.04.1 LTS。

如果 Microsoft Store 无法打开，则可以通过 PowerShell 安装。以管理员身份打开 PowerShell，输入：

wsl --install Ubuntu-24.04

即可启用 WSL 并安装 Ubuntu 发行版。

参考资料：如何使用 WSL 在 Windows 上安装 Linux

1.2 设置 Linux 用户名和密码

从开始菜单或使用命令wsl启动 Ubuntu 子系统，第一次启动时要求输入 Ubuntu 用户名和密码。

Installing,this may take a few minutes...
Installation successful!
Please create a default UNIX user account, The username does not match your Windows username.
For more information visit: https://aka.ms/wslusers
Enter new UNIX username:

然后输入用户名和密码。

Ubuntu 用户名和密码与 Windows 用户名和密码无关。
输入密码时将会隐藏输入。
创建用户名和密码后，该用户将是 Ubuntu 的默认用户，并将在启动时自动登录。

参考资料：设置 Linux 用户名和密码

1.3 配置 WSL 网络为镜像模式

在默认情况下，WSL 与 Windows 的网络环境是隔离的，因此 WSL 无法直接访问 Windows 应用所使用的端口。这在深度学习环境配置中可能带来不便。通过启用 mirrored 模式，WSL 可以与 Windows 共享网络环境。

打开 PowerShell，输入：

code %USERPROFILE%\.wslconfig

将会使用 VSCode 打开 WSL 配置文件，输入：

[experimental]
autoMemoryReclaim=gradual    # 自动内存回收
networkingMode=mirrored      # 镜像网络模式
dnsTunneling=true            # DNS 隧道
firewall=true                # Hyper-V 防火墙
autoProxy=true               # 自动代理，使 WSL 能够使用 Windows 的 HTTP 代理
sparseVhd=true               # 默认启用稀疏 VHD

保存，然后使用wsl --shutdown关闭 WSL 以应用配置。

启用autoProxy后，当 Windows 系统的代理配置发生变化时，WSL 会提示你重启以同步更新。

1.4 更新软件包

进入 Ubuntu 更新软件包到最新：

sudo apt update && sudo apt upgrade -y

1.5 使用 VSCode 连接到 WSL

VSCode 提供了对 WSL 的完善支持。打开 VSCode，点击左下角的“打开远程窗口”按钮，连接到 WSL 即可。

2 Miniconda 和 Mamba

Conda 是一个常用的 Python 包和环境管理工具，而 Miniconda 则是 Anaconda 的精简版本，仅保留其核心功能。

Mamba 则作为 Conda 的高性能替代实现而诞生，它重构了 Conda 的依赖解析与下载机制，通过多线程并行下载显著提升了环境解析和安装的速度。

而 Mamba 基于 Conda 环境，因此需要先安装 Miniconda。

2.1 Miniconda

从 Miniconda 官方仓库下载并运行最新的安装脚本。

cd ~

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

sh Miniconda3-latest-Linux-x86_64.sh

运行脚本后会弹出：

Welcome to Miniconda3 py313_25.5.1-1

In order to continue the installation process, please review the license
agreement.
Please, press ENTER to continue
>>>

按回车确认继续。然后阅读 MINICONDA END USER LICENSE AGREEMENT，此处按方向下键或 PageDown 键至末尾，输入yes进行安装。

MINICONDA END USER LICENSE AGREEMENT

...

Do you accept the license terms? [yes|no]
>>>

选择安装路径，按回车安装至默认位置（~/miniconda3/）：

Miniconda3 will now be installed into this location:
/home/yoake/miniconda3

  - Press ENTER to confirm the location
  - Press CTRL-C to abort the installation
  - Or specify a different location below

[/home/yoake/miniconda3] >>>

询问是否要将 Conda 命令注入到终端，输入yes：

You can undo this by running `conda init --reverse $SHELL`? [yes|no]
[no] >>>

至此安装完成，重启终端即可。

==> For changes to take effect, close and re-open your current shell. <==

Thank you for installing Miniconda3!

如果你不想每次打开终端就进入 base 环境，则可以执行以下命令：

conda config --set auto_activate_base false

2.2 Mamba

切换到 base 环境，然后安装 Mamba：

conda activate base
conda install mamba -n base -c conda-forge

然后执行命令使 mamba 自动完成初始化：

mamba shell init --shell bash --root-prefix=/home/yoake/miniconda3

Mamba 几乎实现了对所有 Conda 命令的替代，只需要把conda替换为mamba即可：

# 创建虚拟环境
conda create -n myenv python=3.10 -y
mamba create -n myenv python=3.10 -y

# 切换虚拟环境
conda activate myenv
mamba activate myenv

# 安装包
conda install pytorch
mamba install pytorch

3 PyTorch

现在已经不推荐从源码安装 CUDA Toolkit 和 cuDNN，而是借助 conda 进行安装。

首先创建虚拟环境：

mamba create -n deeplearning python=3.10 -y

Conda 包的版本约束

你可能注意到，以下两条命令的行为是不同的：

mamba create -n deeplearning python=3.10 -y
mamba create -n deeplearning python==3.10 -y

=表示安装 3.10 系列的最新版本（比如 3.10.18），Conda 会自动解析最新的小版本。而==会锁死到 3.10.0，而不是最新的 3.10.x。

激活虚拟环境，然后安装pytorch-cuda。pytorch-cuda是 Conda 的一个虚拟包，用来给 PyTorch 安装对应 CUDA runtime 和 cuDNN 的，其目的是让你在 Conda 环境里直接用 GPU 版本的 PyTorch，而不需要安装系统级 CUDA Toolkit。

你可以在这里找到各个包的版本对应关系，以及对应的安装命令。

如对于 PyTorch 1.13.1，使用以下命令安装：

mamba install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.7 -c pytorch -c nvidia -y

安装完成后，使用以下命令检查是否配置成功：

python -c "import torch; print('Torch version:', torch.__version__); print('CUDA available:', torch.cuda.is_available()); print('CUDA version:', torch.version.cuda); print('Current device:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'CPU')"

期望输出：

Torch version: 1.13.1
CUDA available: True
CUDA version: 11.7
Current device: NVIDIA GeForce RTX 4060 Ti

至此，环境配置结束。

4 常见问题

4.1 PyTorch 训练或推理时报错

Could not load library libcudnn_cnn_infer.so.8. Error: libcuda.so: cannot open shared object file: No such file or directory

这是 PyTorch 加载 cuDNN 库时失败了，因为找不到它依赖的 libcuda.so。

使用nvidia-smi检查驱动是否正常，然后确认 cuDNN 是否已安装：

mamba list | grep cudnn

例如以下输出：

pytorch  1.13.1  py3.10_cuda11.7_cudnn8.5.0_0  pytorch

然后查找libcuda.so：

find /usr -name "libcuda.so*"

期望结果：

/usr/lib/wsl/lib/libcuda.so

这说明 Windows 侧的 GPU 驱动已经传进来了，只是 PyTorch 在运行时没有找到这些库。只需要添加环境变量即可解决问题。

echo 'export LD_LIBRARY_PATH=/usr/lib/wsl/lib:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc