在WSL中构建高效的大模型开发环境

原创 已于 2025-12-29 18:53:06 修改 · 426 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#大模型 #linux #ubuntu #wsl #jupiter #miniconda

于 2025-12-29 13:51:04 首次发布

文章目录

在当今 AI 爆发的时代，大模型应用开发已成为技术热点。对于 Windows 用户而言，直接在 Windows 上配置深度学习环境往往面临依赖冲突、路径兼容性等“深坑”。

WSL (Windows Subsystem for Linux) 的出现完美解决了这一痛点。它让我们既能享受 Windows 的图形界面便利，又能拥有原生 Linux 的强大开发生态。

本文将带你从零开始，在 WSL 中搭建一套基础的大模型开发环境（Conda + Python + Jupyter），助你快速开启 AI 之旅。

📖 目录导读

WSL开发环境
1. 基础认知

什么是WSL

为什么选WSL
2. 环境准备

安装WSL2

配置Ubuntu
3. 核心工具链

Miniconda安装

Python环境管理

Jupyter Lab配置

Pytorch安装

第一部分：为什么选择 WSL？

1.1 什么是 WSL？

WSL 是微软推出的“Windows 子系统 Linux”。简单来说，它允许你在 Windows 电脑上运行一个完整的 Linux 系统（如 Ubuntu），而无需安装双系统或笨重的虚拟机。

1.2 核心优势

  • 原生体验：直接调用 GPU 硬件，性能损耗极低（WSL2）。
  • 生态兼容：完美支持绝大多数 AI 框架（PyTorch, TensorFlow, Hugging Face）。
  • 文件互通：Windows 和 Linux 文件系统可以无缝互相访问。

第二部分：WSL 基础环境搭建

2.1 安装 WSL2

现在的 Windows 10/11 安装 WSL 非常简单。

步骤0：检查必要设置

先检查 WSL 基础功能是否生效，避免「组件未装」导致发行版无法启动：

以管理员身份打开 PowerShell，执行：

# 检查WSL功能是否启用
dism.exe /online /get-features /format:table | findstr "Microsoft-Windows-Subsystem-Linux VirtualMachinePlatform"

若两项不是都为enabled，需要手动启用：

dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

然后重启电脑。

步骤 1：开启功能
以管理员身份打开 PowerShell，依次输入并执行以下命令：

建议在执行install阶段打开代理，否则下载安装会非常慢。

# 列出可安装的发行版
wsl --list --online
# 安装需要的版本
wsl --install <指定linux系统及版本>

安装后会让你输入用户名及密码

2.2 进入wsl的方式

安装好WSL Linux后，可通过命令行、Windows Terminal、开始菜单等多种方式快速进入，首次启动需完成用户名/密码初始化，以下是具体步骤与常用技巧。

  1. 命令行快速进入（CMD/PowerShell/Windows Terminal）
    • 打开终端，输入 wsl 直接进入默认发行版（若仅装Ubuntu，即为它）。
    • 多发行版时指定进入：wsl -d Ubuntu-22.04（把“Ubuntu-22.04”换成你的实际版本名，可用 wsl -l -v 查看）。
    • 进入用户主目录：wsl ~。
    • 以root身份进入：wsl -u root（用于系统级操作）。
  2. Windows Terminal（推荐，体验最佳）
    • 安装后打开，顶部下拉菜单直接选“Ubuntu-22.04”等对应版本，一键进入。
    • 可在设置中把Ubuntu设为默认启动项，打开即进入。
  3. 开始菜单快捷启动
    • 点击Windows开始菜单，搜索“Ubuntu”，点击对应图标（如“Ubuntu 22.04 LTS”），自动打开终端并进入。
  4. 文件资源管理器进入
    • 打开资源管理器，地址栏输入 \\wsl$，找到Ubuntu发行版目录，右键“在终端中打开”，直接进入该目录的WSL环境。

2.3 更换国内镜像源（加速下载）

默认的 Ubuntu 软件源在国外，下载速度较慢。我们需要将其替换为国内镜像（如清华源或阿里源）。

# 代码用途：备份原文件并替换为清华源（以Ubuntu 22.04为例）
# 1. 备份源列表
sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak

# 2. 修改源列表（使用sed命令批量替换）
sudo sed -i 's/archive.ubuntu.com/mirrors.tuna.tsinghua.edu.cn/g' /etc/apt/sources.list
sudo sed -i 's/security.ubuntu.com/mirrors.tuna.tsinghua.edu.cn/g' /etc/apt/sources.list

# 3. 更新软件列表
sudo apt update

代码解读：sed 是流编辑器，用于文本替换；apt update 会根据新的源地址刷新软件列表，确保后续安装能找到软件包。

2.4 Linux下载/安装内容的目录建议

Linux 有严格的文件系统规范（FHS 标准），不同类型的文件建议放在对应目录，避免混乱：

内容类型推荐目录说明
临时下载的文件（安装包、压缩包等）~/Downloads/主目录下的下载文件夹（用户专属，权限可控，临时文件优先放这里）；
也可直接放 ~ 下，但建议归类。
个人自用程序/脚本~/bin/ 或 ~/scripts/自定义可执行文件目录（需把 ~/bin 加入 PATH，执行 echo 'export PATH=$HOME/bin:$PATH' >> ~/.bashrc && source ~/.bashrc 生效）。
系统级软件（通过包管理器安装）/usr/- /usr/bin/：系统可执行程序（如 python3、git）；
- /usr/lib/：软件库文件；
- /usr/share/：软件共享资源（文档、配置模板）。
手动编译/安装的软件（非包管理器）/usr/local/区别于系统默认软件，比如手动编译的 nginx 建议装到 /usr/local/nginx/，避免覆盖系统文件。
系统配置文件/etc/全局配置（如 /etc/nginx/、/etc/profile）；用户级配置放 ~/.config/（如 ~/.config/git/）。
数据文件/日志- /var/lib/：软件运行数据（如数据库）；
- /var/log/：系统/软件日志；
- 用户级日志放 ~/.log/。
临时文件/tmp/系统临时目录（重启会清空，不建议存重要文件）；用户临时文件可放 ~/tmp/。

实操建议：

  1. 个人文件优先放主目录：下载的安装包、自己写的脚本、项目代码等，都先放在 ~ 下的子目录（如 ~/Downloads/、~/projects/），权限足够且易管理；
  2. 避免直接装到 /root/：除非是 root 专属软件，否则普通用户软件装到 /usr/local/ 或用户主目录；
  3. 手动安装软件的规范：比如编译安装 nodejs，建议：
    # 下载源码到 ~/Downloads/
cd ~/Downloads
wget https://nodejs.org/dist/v20.10.0/node-v20.10.0.tar.gz
tar -xzf node-v20.10.0.tar.gz
cd node-v20.10.0
# 配置安装路径为 /usr/local
./configure --prefix=/usr/local
make && sudo make install
  4. WSL 特殊注意：WSL 中 ~ 对应 Windows 路径 \\wsl$\Ubuntu-22.04\home\用户名\，Windows 下可直接访问，方便跨系统传文件。

第三部分：构建 Python 核心生态（Conda + Jupyter）

在大模型开发中，我们通常需要管理多个不同版本的 Python 环境（例如：一个跑 Llama 3，一个跑 Stable Diffusion）。Conda 是最佳的解决方案。

3.1 选型建议：Anaconda vs Miniconda

特性AnacondaMiniconda建议
体积庞大 (3GB+)轻量 (100MB+)推荐 Miniconda
预装包预装数百个科学计算包仅包含 Conda 和 Python按需安装，更清爽
适用场景数据科学初学者开发者、服务器环境避免环境臃肿

3.2 安装 Miniconda

步骤
在 WSL 终端中执行：

# 创建并进入进入目录
mkdir ~/Downloads/
cd ~/Downloads/
# 下载脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 授予可执行权限
chmod +x Miniconda3-latest-Linux-x86_64.sh
# 运行安装脚本
./Miniconda3-latest-Linux-x86_64.sh

后面就是按照它的提示操作：

在这里插入图片描述
安装并初始化结束之后，关闭terminal，再重新打开（让环境变量生效）。

3.3 创建大模型专属环境

我们将创建一个名为 llm-dev 的环境，指定 Python 版本为 3.10（目前 AI 库兼容性最好的版本之一）。

# 代码用途：创建虚拟环境
conda create -n llm-dev python=3.10 -y

# 代码用途：激活环境
conda activate llm-dev

代码解读：

  • -n llm-dev：指定环境名称。
  • python=3.10：指定 Python 版本。
  • conda activate：切换到该环境，终端前缀会变成 (llm-dev)。

3.4 配置 Jupyter Lab

Jupyter Lab 是交互式开发的利器，非常适合调试大模型代码。

步骤 1：安装 Jupyter
确保在 llm-dev 环境下：

pip install jupyterlab

步骤 2：运行与访问
在 WSL 中启动 Jupyter，通常需要允许其在浏览器中访问。

# 代码用途：启动 Jupyter Lab，不自动打开浏览器
jupyter lab --no-browser --ip=0.0.0.0 --allow-root

输出结果示例：
终端会显示类似 http://127.0.0.1:8888/lab?token=xxxx... 的链接。
操作：按住 Ctrl 点击该链接，或者复制到 Windows 浏览器中打开，即可看到开发界面。

在这里插入图片描述

第四部分：安装pytorch

  • 查看CUDA版本：
nvidia-smi

第一行的cuda version就是cuda的版本
在这里插入图片描述

  • 官方源解析环境较慢，libmamba 求解器能大幅提速：
# 官方源解析环境较慢，libmamba 求解器能大幅提速
conda install -n base conda-libmamba-solver -y
conda config --set solver libmamba
  • 安装cuda：
# 推荐安装CUDA 12.1（适配绝大多数NVIDIA显卡，兼容性最好）
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
大语言模型在金融风险预警中的推理应用探索
SuperAGI2025
03-26 799
金融风险预警对于金融机构和监管部门至关重要，它能够帮助提前发现潜在的风险，采取相应的措施进行防范和应对。传统的金融风险预警方法往往依赖于结构化数据和固定的模型，难以处理大量的非结构化文本信息。随着大语言模型的发展，其强大的自然语言处理能力为金融风险预警带来了新的机遇。本文的目的是探索大语言模型在金融风险预警中的推理应用，研究如何利用大语言模型处理金融领域的文本数据，进行风险分析和预警。范围涵盖了大语言模型的原理、金融风险预警的相关概念、核心算法、数学模型、实际应用案例以及未来发展趋势等方面。
WSL2中配置TensorFlow GPU开发环境详细步骤
weixin_31419153的博客
12-26 448
在Windows上通过WSL2搭建支持GPU加速的TensorFlow开发环境，无需双系统或虚拟机。结合NVIDIA CUDA on WSL技术，实现Linux生态与Windows应用的无缝融合，提升深度学习开发效率。涵盖驱动配置、环境安装、性能优化及常见问题解决方案，适合各类AI开发者快速上手。
WSL在 Windows 上使用 Linux 工具链和开发环境
记录图像处理中遇到的点点滴滴
07-19 984
windows下快速搭建linux开发环境
突破系统限制：Windows环境下基于WSL2搭建vLLM大模型服务全指南
gitblog_00088的博客
11-17 1030
在大模型本地化部署的实践中，Windows用户常常面临框架兼容性的困扰。此前我们分享了通过Ollama在Windows系统快速部署模型的方案，后台收到大量开发者咨询vLLM框架的Windows部署方案。尽管vLLM官方尚未支持原生Windows环境，但借助WSL2（Windows Subsystem for Linux）技术，我们可以在Windows系统中构建完整的vLLM运行环境。本文将详细讲解
在4GB显存限制下构建LLM基础开发环境指南
m0_63171455的博客
11-20 996
通过上述步骤，即可建立一个最基本的 LLM 技术开发环境，用于开发和调试基于模型的基础代码。
大模型部署全攻略：从环境搭建到实战落地（附完整可复制代码）
2302_76568160的博客
10-10 911
随着生成式 AI 技术的爆发，大语言模型（LLM）如 GPT、Llama、ChatGLM 等已从实验室走向产业应用。然而，“模型训练难，部署落地更难” 成为许多开发者的痛点 —— 如何将动辄数十亿参数的大模型高效、稳定地部署到生产环境，平衡性能、成本与响应速度，是每一个 AI 工程师必须面对的课题。本文将从部署前准备核心部署方案性能优化技巧生产级监控四个维度，提供一份 “拿来即用” 的大模型部署指南，所有代码实例均经过验证，可直接复制运行。
全面掌控大模型：MaxKB与Ollama的高效本地部署策略
qq_51447436的博客
09-16 6502
全面掌控大模型：MaxKB与Ollama的高效本地部署策略
Window环境下使用VLLM高效推理框架本地部署模型
weixin_44822312的博客
06-15 4142
本文介绍了在Windows系统下使用WSL部署vLLM高效推理框架的完整方案。首先对比了Ollama、VLLM、SGLang、LightLLM和Llama.cpp等主流本地大模型部署框架的特点。重点讲解了在Windows中安装WSL的详细步骤，包括系统要求、功能启用和Ubuntu子系统安装。随后展示了如何在Linux环境中搭建vLLM运行环境，包括Anaconda的安装配置。该方法实现了Windows与Linux系统的无缝交互，使开发者能在保留Windows游戏娱乐功能的同时，获得高效的本地大模型推理能力，
09_wsl2+Ubuntu+docker(个人AI大模型开发测试运行基础环境2)
曜日晴君的博客
08-30 1162
为什么要用 docker?目前大部分LLM 推理框架都支持 docker 的方式安装，好处是可以快速的搭建好环境，不需要安装组件的依赖，一键安装与删除。没有安装 wsl2 的 参考。
【深度学习开发】基于WSL2的CUDA与PyTorch集成：Windows平台GPU直通开发环境构建与TensorRT模型部署
10-01
内容概要：本文介绍了如何利用WSL2与GPU直通技术，在Windows笔记本上构建支持CUDA和PyTorch的深度学习开发环境。通过NVIDIA官方驱动支持，无需额外安装Linux显卡驱动即可在WSL中启用CUDA，结合Docker和NVIDIA容器...
【大模型部署】基于vLLM与Docker的WSL虚拟环境搭建：支持GPU加速的Qwen系列模型本地化推理系统配置
10-26
使用场景及目标：①在本地开发环境快速搭建基于vLLM的大模型推理服务；②利用GPU加速实现高效模型部署；③集成大模型后端（如Qwen）与前端应用（如Dify），构建完整AI应用链路；④掌握模型下载、容器编排、API调用等...
【Anaconda在WSL2中的应用】：构建高效Python开发环境的权威指南
[【Anaconda在WSL2中的应用】：构建高效Python开发环境的权威指南](https://hermes.dio.me/articles/cover/e3e307ef-6968-47a4-ae2b-d2e235a2d65f.png) # 1. Anaconda与WSL2简介 ## Anaconda简介 Anaconda是一个...
WSL中VSCode配置C++开发环境实战：Linux子系统高效开发全流程
# 基于 WSL 与 VSCode 的 C++ 开发环境构建：从入门到生产级实战 在智能家居设备日益复杂的今天，确保无线连接的稳定性已成为一大设计挑战。而我们今天的主角——**MT7697 芯片 + 蓝牙 5.0 协议栈**，正是为解决这...
Linux 中安装 Miniconda
m0_65788436的博客
12-23 320
在官网找到linux对应的下载命令,在根目录下运行下面的命令,下载即可。选择 Miniconda 的安装路径,输入回车,使用默认路径。是否更新您的 shell 配置文件以自动初始化 conda？此操作将在启动时激活 conda 并更改激活时的命令提示符。如果你选了 yes，以后你每次打开终端，最前面都会出现。字样，表示进入了 Conda 的基础环境。弹出是否接受协议,输入"yes",回车。弹出信息,继续按"Enter"如果你不希望 conda 的。根据提示,按"Enter"输入yes,回车,成功。
Linux:五种IO模型
最新发布
2301_80894970的博客
12-27 850
本文介绍了五种I/O模型的理论概念，重点分析了非阻塞I/O和多路转接I/O模式。文章通过钓鱼的生动比喻，阐述了阻塞I/O、非阻塞I/O、信号驱动I/O、多路检测I/O和异步I/O的区别。详细讲解了select、poll和epoll三种多路转接技术的实现原理和代码示例，比较了它们的优缺点。特别深入分析了epoll的水平触发(LT)和边缘触发(ET)两种工作模式，指出ET模式必须配合非阻塞I/O使用才能发挥最佳性能。通过理论讲解和代码实现相结合的方式，全面展示了Linux系统下高效I/O处理的实现方法和技术演进
Linux上查看systemd journald日志
yinminsumeng的博客
12-26 370
Linux系统日志查看方法摘要 本文总结了systemd journal日志的多种查看方式： 基础查看：使用journalctl命令可查看全部日志，-f实时跟踪，-b显示启动日志，-o指定输出格式（如json/verbose等）。 筛选过滤： 时间筛选：--since/--until指定时间范围 服务筛选：-u按服务单元过滤 优先级筛选：-p按日志级别（0-7） 字段筛选：_PID、_UID等按进程/用户过滤 关键字搜索：-g支持正则表达式 指定文件：可通过--file查看特定日志文件，包括持久化日志、运行
Linux（redhat7.9）安装KVM虚拟机
两拆
12-27 374
在Redhat7.9系统中通过KVM安装虚拟机
QXlsx 库在麒麟 Linux（Qt 5.15.2）下完整安装步骤（含问题排查 & 经验总结）
MFC_ZLL的专栏
12-25 626
路径是核心：麒麟 Linux 下 Qt 手动安装的 qmake 路径（）必须全程使用，避免版本冲突；源码要完整：务必下载 v1.4.4 稳定版，避免新版源码缺失.pro 文件；静态库安装要点：复制libQXlsx.a到、头文件到，并执行ldconfig；大小写敏感：Linux 下头文件是小写，代码中引用需匹配，否则找不到头文件。
Linux下快速安装配置Redis全攻略
u011023306的博客
12-23 330
本文简要介绍了在Linux系统上安装和配置Redis的完整步骤。首先安装GCC依赖并添加EPEL仓库，然后更新yum源并安装Redis。接着讲解了如何修改配置文件，包括允许远程连接和设置密码。最后说明了如何启动Redis服务、查看状态以及设置开机自启。整个过程涵盖了从安装到基本配置的全部关键操作，为快速部署Redis服务器提供了清晰指导。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

TracyCoder123

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值