WSL+VSCODE+TENSORFLOW+CUDA环境搭建

系统win11， 想在vscode里用python调用tensorflow，同时还需要用到GPU提高模型训练速度；既要又要还要

step1：安装vscode，直接找到微软官网进行安装，这里安装最新版本即可

Visual Studio Code - Windows官方下载 | 微软应用商店 | Microsoft Store

step2: 安装wsl

安装 WSL | Microsoft Learn

step3：安装ubuntu

Windows Subsystem for Linux (WSL, Ubuntu) 最新安装教程（2024.11 更新）-CSDN博客

参考上面链接，在Microsoft Store中找到ubuntu，版本使用Ubuntu 24.04.2 LTS

step4: 在ubuntu中安装依赖包

使用 pip 安装 TensorFlow

这里需要注意，第一，使用venv，这是官方推荐的方法，更合理；第二，因为是在linux系统中运行tensorflow，因此不需要过多考虑windows下的tensorflow-gpu安装中的版本匹配问题；所以按照指导一步步安装即可，tensorflow版本2.18.x，安装完成后版本如下

step5：windows中安装cuda，nvidia显卡驱动

CUDA Toolkit 12.8 Update 1 Downloads | NVIDIA Developer

同时可以参考此链接步骤

windows系统CUDA的详细安装教程_windows安装cuda-CSDN博客

根据官方推荐，按照自己的系统选择即可，本人选择版本如下CUDA:12.6.25

驱动版本561.17：

实际cuda保证大版本号12即可，对应驱动版本找到最新的就行

step6：安装linux版的CUDA Toolkit

这里需要注意，因为在实际调试中，用以下代码验证发现前五个步骤走完，tensorflow运行起来没有调用GPU，验证命令如下（这里使用wsl启动vscode，在venv环境中建立一个.py文件然后执行）

# print("TensorFlow版本:", tf.__version__)
# print("支持CUDA编译:", tf.test.is_built_with_cuda())  # 检查TensorFlow是否编译了CUDA支持‌:ml-citation{ref="4,5" data="citationList"}

# gpus = tf.config.list_physical_devices("GPU")
# if not gpus:
#     print("未检测到GPU，请检查驱动或环境配置")
# else:
#     print("检测到以下GPU设备:", gpus)
#     tf.config.set_visible_devices(gpus, "GPU")  # 显式指定使用第一个GPU‌

 运行后可以发现wsl没有找到gpu，经过尝试，最终定位需要在wsl中安装CUDA Toolkits

CUDA Toolkit 12.8 Update 1 Downloads | NVIDIA Developer

选择版本之后，下方会出现对应的命令行，在wsl命令行中输入执行即可

注意下面的Dirver Installer不用执行，因为我们是通过wsl进行训练，linux中的tensorflow会调用windows下的cuda驱动

step7:linux环境下安装cuDNN

仍然在官网找到cuDNN最新版本即可CUDA Deep Neural Network (cuDNN) | NVIDIA Developer

安装方法与CUDA Toolkits相同，即在wsl中执行官方给出的命令行即可，注意最后一个命令执行使用的是cuda12

完成所有安装后，在自己的脚本中可以执行step6给出的代码段，打印会给出GPU信息，表示wsl中的tensorflow已经可以正确使用gpu了。

在开始训练过程中，可以打开windows的资源管理器，观察GPU使用情况，如果使用率起来了，表示GPU顺利被调用，也可以通过将如下代码放在训练模型语句前面，在训练过程中，会打印输出当前训练使用的是GPU还是CPU

# 打印出tensor在执行时用的设备，gpu或者cpu
# tf.debugging.set_log_device_placement(True)

wsl+vscode是目前比较方便的使用windows环境进行tensorflow的方案，在windows中直接使用tensorflow-gpu版本，有很多未知问题无法解决，包括环境搭建不友好，需要tensorflow和cuda有严苛的版本对齐，其中还牵扯到pip/numpy等版本的对齐；在实际使用中，发现由于tensorflow-gpu在windows版本过老，训练模型和一些官方给出的实例结果不一致的问题。