WSL 中 ML 的 GPU 加速入门

2025-06-10

机器学习（ML）正成为许多开发工作流的关键部分。无论你是数据科学家、ML 工程师还是开始使用 ML for Linux 的 Windows 子系统（WSL）开始学习之旅，都提供了一个运行最常见和常用的 GPU 加速 ML 工具的绝佳环境。

设置这些工具的方法有很多不同。例如，WSL、TensorFlow-DirectML 和 PyTorch-DirectML 中的 NVIDIA CUDA 都提供了将 GPU 用于 ML 和 WSL 的不同方式。若要详细了解选择一个或另一个原因，请参阅 GPU 加速 ML 训练。

本指南介绍如何设置：

如果您有 NVIDIA 图形卡并运行示例的 ML 框架容器，则可以使用 NVIDIA CUDA。
AMD、Intel 或 NVIDIA 图形卡上的 TensorFlow-DirectML 和 PyTorch-DirectML

先决条件

确保运行的是 Windows 11 或 Windows 10 版本 21H2 或更高版本。
安装 WSL 并为 Linux 分发版设置用户名和密码。

使用 Docker 设置 NVIDIA CUDA

下载并安装 NVIDIA GPU 的最新驱动程序
运行以下命令，安装 Docker Desktop 或直接在 WSL 中安装 Docker 引擎
```
curl https://get.docker.com | sh
```
```
sudo service docker start
```

如果直接安装 Docker 引擎，请按照以下步骤安装 NVIDIA 容器工具包。

通过运行以下命令为 NVIDIA 容器工具包设置稳定存储库：

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)

curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-docker-keyring.gpg

curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-docker-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

通过运行以下命令安装 NVIDIA 运行时包和依赖项：

sudo apt-get update

sudo apt-get install -y nvidia-docker2

运行机器学习框架容器和示例。

要运行机器学习框架容器并开始使用 GPU，请输入以下命令以使用 NVIDIA NGC TensorFlow 容器：
```
docker run --gpus all -it --shm-size=1g --ulimit memlock=-1 --ulimit stack=67108864 nvcr.io/nvidia/tensorflow:20.03-tf2-py3
```
可以通过运行命令来运行内置在此容器中的预先训练的模型示例：
```
cd nvidia-examples/cnn/
```
```
python resnet.py --batch_size=64
```

有关获取设置和使用 NVIDIA CUDA 的其他方法，请参阅 WSL 用户指南上的 NVIDIA CUDA。

设置 TensorFlow-DirectML 或 PyTorch-DirectML

从 GPU 供应商网站下载并安装最新的驱动程序： AMD、 Intel 或 NVIDIA。

设置 Python 环境。

建议设置虚拟 Python 环境。有许多工具可用于设置虚拟 Python 环境，对于这些说明，我们将使用 Anaconda 的 Miniconda。

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

bash Miniconda3-latest-Linux-x86_64.sh

conda create --name directml python=3.7 -y

conda activate directml

安装由所选 DirectML 支持的机器学习框架。

TensorFlow-DirectML：

pip install tensorflow-directml

PyTorch-DirectML：

sudo apt install libblas3 libomp5 liblapack3

pip install torch-directml

在 TensorFlow-DirectML 或 PyTorch-DirectML 的交互式 Python 会话中运行快速添加示例，以确保一切正常运行。

如果有疑问或遇到困难，请访问 GitHub 上的 DirectML 存储库。

多个 GPU

如果计算机上有多个 GPU，还可以在 WSL 内部访问它们。但是，一次只能访问一个。若要选择特定的 GPU，请将下面的环境变量设置为 GPU 的名称，因为它显示在设备管理器中：

export MESA_D3D12_DEFAULT_ADAPTER_NAME="<NameFromDeviceManager>"

这将进行字符串匹配，因此，如果将它设置为“NVIDIA”，它将匹配以“NVIDIA”开头的第一个 GPU。

通过