【MotionCap】搭建wsl2的pytorch环境

最新推荐文章于 2025-07-22 12:55:31 发布
最新推荐文章于 2025-07-22 12:55:31 发布
阅读量143 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： AI入门与实战 文章标签： pytorch 人工智能 python
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。
本文链接：https://blog.youkuaiyun.com/commshare/article/details/140073347

wsl2-ubuntu版本

在这里插入图片描述

下周cuda11.3

wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run

sudo sh cuda_11.3.0_465.19.01_linux.run

了解本专栏 订阅专栏 解锁全文 超级会员免费看
WSL2-Ubuntu Pytorch深度学习开发环境搭建
m0_46349114的博客
04-10 1807
将cuDNN安装路径下的cuDNN头文件和库文件复制到CUDA toolkit的目录中，并赋予所有用户对 cuDNN 头文件和库文件的读取权限。**/usr/local/cuda/include/**包含了CUDA的头文件，这些头文件定义了CUDA库和API的接口。**/usr/local/cuda/bin/**包含了CUDA的可执行文件，例如编译器nvcc和其他的CUDA工具。**/usr/local/cuda/lib64/**包含了CUDA库文件，这些库文件是用于链接CUDA程序的。
WSL2端配置pytorch GPU加速环境
小星AI
01-25 6416
配置好WIn10的Linux子系统WSL2的GPU加速深度学习，我踩坑踩得头皮发麻
wsl安装pytorch
MengRui2333的博客
10-10 604
wsl是ubantu系统，用linux的，然后我的环境要求就是cuda11.7，我就选择了这一行，复制到我们配置好的anaconda虚拟环境中直接运行，也可以用pip安装，如果error了换个网络下。这是成功的样子，看到successfully就ok。然后进行一个验证，进到python里。我安装的是1.13.1，就举例子了。去这里面找自己需要的版本。看到返回True就好啦。
在Windows下利用WSL配置Linux环境，利用Anaconda自动搭建PyTorch虚拟环境，以及手动安装CUDA与cuDNN并配置tensorflow环境
糖公子没来过的博客
04-27 919
WSL（Windows Subsystem for Linux）是微软开发的一项技术，允许用户在Windows系统中直接运行完整的Linux环境，无需虚拟机。通过操作系统级虚拟化，WSL将Linux子系统无缝嵌入Windows，提供原生Linux命令行工具、软件包管理器及应用程序支持。它具有轻量化、文件系统集成、良好的交互性及开发效率提升等优点，消除了Windows与Linux之间的隔阂，尤其适合开发者和需在Windows平台上使用Linux工具的用户。
在 WSL2 上部署 PyTorch
weixin_41446370的博客
08-22 2010
开发项目需要使用AI，但是我习惯用 VMware 来开发各类项目，于是查到《Enable NVIDIA CUDA on WSL》可以实现 CUDA + VGPU 的功能。但是国内对这类资料较少，我就想顺便补个空白——在 WSL2 上部署 PyTorch。
WSL2+Ubuntu20.04+CUDA11.3+Pytorch 环境搭建
m0_47532096的博客
02-28 4565
WSL2+Ubuntu20.04+CUDA11.3+Pytorch环境搭建
在WSL2下配置Pytorch(Linux+Anaconda+PyTorch-GPU)
zoe2222226666的博客
06-10 4750
1.用户：以前没有注意过，默认用户root，还有一个自己取名的用户，可以配置默认打开的用户，要注意anaconda环境配置在哪个用户下，我就是在这里卡了很久，明明安装了anaconda居然找不到。最方便的方法就是通过官网的指令下载，一般推荐使用conda下载，根据自己的系统、CUDA版本生成指令，官网链接。因为WSL默认安装的是终端，需要自己配置桌面，尝试了几种方法以后，终于使用xfce4可以看到可视化桌面了。一般采用wget方式直接从linux拉取较稳定的旧版本，然后在本地安装，替换指令中的版本号即可。
使用镜像在WSL上搭建基于GPU的Pytorch开发环境
weixin_43408232的博客
12-31 765
在WSL(Windows Subsystem for Linux)环境中搭建基于GPU加速的Pytorch开发环境，并且提供简单的测试代码。
从原理上理解Win11环境下WSL2如何配置pytorch环境并调用NVIDIA GPU
qq_27372933的专栏
06-20 512
在Windows 11上通过WSL2部署深度学习环境的核心原理在于WSL2通过Windows的NVIDIA驱动间接访问GPU，Docker Desktop作为中介实现硬件穿透和驱动转换。常见误区是忽略Windows主机的Docker Desktop安装，这是GPU支持的必要环节。
win11 使用wsl2安装pytorch 梳理
G_l_zero的博客
04-11 2693
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、wsl2 + ubuntu + xfce4 + VcXsrv + xrdp + 远程桌面连接 及其改进 MobaXterm二、安装pytorch三. ubuntu命令行可视化anaconda总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：本文章的内容是我在使用ubuntu安装pytorch的过程，主要的关键词是 win11 - wsl2 - MobaXterm - anaconda3 - pytorch，基.
【WSL2笔记4】 PyTorch深度学习框架的多环境CUDA安装配置
老富的博客
04-13 656
列出conda安装包列表，确认安装的PyTorch是否CUDA版本, 第3列版本build中带_cu118，说明是CUDA加速版本。在安装包列表中了解即将安装的是否CUDA版本, 第2列版本build中带_cu118，说明是CUDA加速版本。在安装包列表中了解即将安装的是否CUDA版本, 第2列版本build中带_cu117，说明是CUDA加速版本。Conda虚拟环境调用的是CUDA ToolKit的CUDA/cuDDN,不是用根环境的最高版本CUDA。详见【WSL2笔记2】 搭建深度学习开发环境。
windows11 搭建 WSL2 运行环境（2024）
热门推荐
qq_39316962的博客
06-24 1万+
【2024最新】一次搞定 Windows 11+WSL2+Ubuntu+Miniconda3+PyTorch 安装环境配置
笔记：WSL2+Ubuntu20.04+Pytorch==1.10.0+CUDA11.3
pengLiu_7611的博客
05-20 1731
将cuDNN安装路径下的cuDNN头文件和库文件复制到CUDA toolkit的目录中，并赋予所有用户对 cuDNN 头文件和库文件的读取权限。**/usr/local/cuda/include/**包含了CUDA的头文件，这些头文件定义了CUDA库和API的接口。**/usr/local/cuda/bin/**包含了CUDA的可执行文件，例如编译器nvcc和其他的CUDA工具。**/usr/local/cuda/lib64/**包含了CUDA库文件，这些库文件是用于链接CUDA程序的。
win10/11下wsl2安装gpu版的pytorch（避坑指南）
zqm_0015的博客
03-27 5160
wsl下安装gpu版本的pytorch，是教程也是避坑指南~欢迎留言问问题
pytorch中的torch.compile是如何加速vLLM大模型推理的？
最新发布
goodgood_UP的博客
07-22 517
torch.compile 通过将 PyTorch 代码 JIT（just in time） 编译为优化的内核，使 PyTorch 代码运行得更快，同时只需极少的代码更改。简单来说，torch.compile 利用 PyTorch 2.0 引入的动态图捕获（TorchDynamo）和图形编译（TorchInductor 等后端）技术，将模型的前向计算图转换为高度优化的低级代码（包括融合的GPU内核等），从而减少解释执行的开销。这种编译在模型第一次运行时会进行：它捕获模型的计算图并进行编译优化，因此。
嵌入式学习-土堆PyTorch（8）-day24
liuguangqia的博客
07-19 350
是 PyTorch 中用于的模块，里面实现了一系列常用的，比如等，主要负责根据梯度更新模型的参数。
嵌入式学习-土堆PyTorch（9）-day25
liuguangqia的博客
07-19 251
进入尾声，一个完整的模型训练 ，点亮的第一个led。
ubuntu24.04安装CUDA、VLLM、Pytorch等并部署Qwen3-8B-AWQ【50系显卡通用】
mizhiakk的博客
07-22 385
ubuntu24.04安装CUDA、VLLM、Pytorch等并部署Qwen3-8B-AWQ【50系显卡通用】
PyTorch 模型开发全栈指南：从定义、修改到保存的完整闭环
2302_77116414的博客
07-22 820
本文总结了PyTorch模型工程化的关键要点，包括模型定义、修改、保存与加载的完整流程。文章强调"权重是模型的灵魂，结构是容器"的核心观点，推荐将模型工程化思维应用于实际开发中。
wsl2 pytorch 多gpu
03-14
<think>好的，我现在需要帮用户在WSL2环境下配置PyTorch支持多GPU的分布式训练。首先，我得回忆一下自己之前了解的PyTorch多GPU训练相关知识。用户提到使用WSL2，所以需要确认WSL2对多GPU的支持情况。通常，WSL2可以访问宿主的GPU，但需要正确安装驱动和CUDA工具包。 第一步应该是安装PyTorch和相关依赖。用户提供的引用[1]提到了安装命令，使用CUDA 11.8的版本。不过，我需要确认WSL2中是否支持这个版本的CUDA。根据微软的文档，WSL2确实支持NVIDIA GPU，需要先安装Windows的NVIDIA驱动，然后在WSL中安装CUDA Toolkit。用户可能已经完成了这一步，但可能需要提醒他们检查驱动和CUDA的安装情况。 接下来，安装PyTorch的命令应该没问题，但可能需要根据用户的CUDA版本调整。比如，如果用户安装的是CUDA 11.7，对应的PyTorch安装命令可能需要修改。不过用户给的引用[1]是11.8，所以保持原样。 然后是关于分布式训练的具体设置。PyTorch的分布式训练主要依赖于torch.distributed模块，常用的后端有NCCL、Gloo等。用户的问题涉及多GPU，所以应该使用NCCL后端，因为它在GPU间通信效率更高。引用[3]提到了Horovod安装时使用NCCL，这可能需要用户安装Horovod，但用户的问题可能更倾向于使用PyTorch原生的分布式API，比如DistributedDataParallel（DDP）。 需要指导用户如何初始化进程组，设置正确的后端。在WSL2环境下，可能需要确保NCCL的正确配置，比如环境变量设置。例如，设置NCCL_SOCKET_IFNAME为正确的网络接口，或者设置NCCL_DEBUG=INFO来调试问题。 另外，用户提到的引用[2]指出PyTorch1.7之后分布式优化器支持多线程，去除了GIL的限制。这可能在多进程训练中很重要，但PyTorch的DDP通常采用多进程而非多线程，每个GPU对应一个进程。需要确认用户的PyTorch版本是否足够新，建议至少1.7以上。 接下来，可能需要分步骤说明：安装PyTorch、验证GPU可用性、设置分布式训练脚本。例如，使用torch.distributed.init_process_group初始化，后端设为'nccl'，然后使用DistributedDataParallel包装模型。同时，每个进程需要指定正确的本地rank和world_size。 可能还需要提醒用户使用torch.multiprocessing.spawn来启动多进程训练，或者使用标准的mpirun命令，如果结合Horovod的话。不过用户的问题可能更关注PyTorch原生的方法，所以重点放在DDP上。 另外，数据并行处理的部分需要注意数据的分发，使用DistributedSampler来确保每个进程读取不同的数据部分。用户需要在自己的DataLoader中配置这个sampler。 在代码示例部分，需要提供一个简单的分布式训练脚本框架，包括初始化、模型并行化、数据加载和训练循环。同时，要提醒用户设置正确的MASTER_ADDR和MASTER_PORT环境变量，尤其是在多节点训练时，但如果是单机多GPU，可能默认使用localhost即可。 还需要注意可能的错误点，例如NCCL未正确安装，或者WSL2中的网络配置问题导致进程间通信失败。这时候可能需要用户安装NCCL2，或者配置特定的网络接口。 最后，验证步骤，比如运行一个简单的多GPU训练脚本，观察GPU利用率，或者检查日志是否有错误。例如，使用nvidia-smi查看GPU活动情况，或者添加分布式调试输出。 总结下来，步骤应该是： 1. 确认WSL2中的CUDA和驱动安装正确。 2. 安装正确版本的PyTorch支持CUDA。 3. 安装NCCL相关依赖（可能通过安装PyTorch已经包含）。 4. 编写分布式训练脚本，使用DDP和NCCL后端。 5. 处理数据加载的分布式采样。 6. 启动多进程训练。 可能遇到的问题包括权限问题、环境变量配置错误、NCCL版本不兼容等，需要提示用户如何排查这些问题，例如设置NCCL_DEBUG环境变量，查看更详细的日志。</think>### 如何在WSL2上设置PyTorch使用多GPU进行分布式训练 #### 1. 确认环境准备 - **检查GPU驱动和CUDA支持** 在WSL2中运行以下命令，确认NVIDIA驱动和CUDA已正确安装： ```bash nvidia-smi # 查看GPU信息 nvcc --version # 查看CUDA版本 ``` 如果未安装，需在Windows宿主机安装[NVIDIA驱动](https://www.nvidia.com/Download/index.aspx)，并在WSL2中安装对应版本的CUDA Toolkit[^1]。 - **安装PyTorch** 根据CUDA版本选择PyTorch安装命令（示例为CUDA 11.8）： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` --- #### 2. 配置分布式训练代码 PyTorch分布式训练主要通过`DistributedDataParallel`（DDP）实现，步骤如下： - **初始化进程组** 在代码开头设置后端为`NCCL`（适用于GPU）： ```python import torch import torch.distributed as dist from torch.nn.parallel import DistributedDataParallel as DDP def setup(rank, world_size): dist.init_process_group( backend="nccl", init_method="env://", rank=rank, world_size=world_size ) ``` - **封装模型为DDP** 每个GPU进程需单独加载模型并封装： ```python def train(rank, world_size): setup(rank, world_size) model = YourModel().to(rank) ddp_model = DDP(model, device_ids=[rank]) # 后续训练逻辑... ``` - **数据加载与分布式采样** 使用`DistributedSampler`分割数据集： ```python from torch.utils.data.distributed import DistributedSampler dataset = YourDataset() sampler = DistributedSampler(dataset, num_replicas=world_size, rank=rank) dataloader = DataLoader(dataset, batch_size=32, sampler=sampler) ``` - **启动多进程训练** 使用`torch.multiprocessing.spawn`启动进程： ```python if __name__ == "__main__": world_size = torch.cuda.device_count() torch.multiprocessing.spawn( train, args=(world_size,), nprocs=world_size ) ``` --- #### 3. 运行脚本 - **设置环境变量** 单机多GPU训练时，需指定主节点地址和端口： ```bash export MASTER_ADDR=localhost export MASTER_PORT=12355 ``` - **执行命令** ```bash python train.py ``` --- #### 4. 验证与调试 - **检查GPU利用率** 运行`nvidia-smi`观察各GPU是否参与计算。 - **调试NCCL问题** 若通信失败，添加环境变量`NCCL_DEBUG=INFO`查看详细日志： ```bash NCCL_DEBUG=INFO python train.py ``` --- #### 常见问题 1. **NCCL未正确初始化** - 确保PyTorch版本≥1.7以支持分布式优化器[^2]。 - 在WSL2中设置`NCCL_SOCKET_IFNAME=eth0`指定网络接口。 2. **CUDA版本不匹配** - 使用`conda list | grep cudatoolkit`确认CUDA版本与PyTorch安装一致。 3. **权限问题** - 若出现`Permission denied`，尝试以管理员权限启动WSL2终端。 ---
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

等风来不如迎风去

你的鼓励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