1 Introduction

在确定研究方向后需要使用工作站跑实验代码，而我们研一需要去北京集中教学，因此我导购买了一台移动工作站。而由于我使用了近7年的MacOS，对类Unix系统操作比较熟练，从而打算在Windows上安装Linux系统来配置开发环境。在更新Windows11后系统的操作也与MacOS越来越接近了，同时Windows11自带Ubuntu子系统也支持使用Cuda，因此决定将WSL2作为主要开发环境。本文记录环境配置过程，方面以后备查。

2 Requirements

安装cuda环境之前需要先安装基本环境，主要包括：

• Windows11
• Ubuntu18.04
• WSL2
• Anaconda
• Python3.7

3 Environment configuration

3.1 驱动安装

安装地址：https://www.nvidia.cn/Download/index.aspx?lang=cn

选择对应型号->查找->下载->安装

注意：驱动安装在Windows系统上。

3.2 查看PyTorch官方安装信息

地址：https://pytorch.org/get-started/locally/

截止于2022年8月5日，官方安装信息最高支持CUDA11.6，记下备用。

3.3 安装cuda-toolkit

安装地址：https://developer.nvidia.com/cuda-toolkit-archive

选择相应cuda版本，点击选择环境信息。

注意：选择Linux以及WSL-Ubuntu选项

获取安装代码，按步骤在Ubuntu系统中执行。

3.4 安装PyTorch

同3.2，选择相应版本获取安装代码在Ubuntu系统中执行。

注意：作者选择conda安装未成功，选择pip安装后可用。

Conclusion

安装成功后就可以使用cuda跑深度学习模型了，但是实测配备RTX A3000 12G显卡的移动工作站使用Cuda训练深度学习模型并没有比CPU快很多。