1. 为什么选择Win11 WSL2 Docker Desktop方案如果你是一名Windows用户想要搭建深度学习环境过去可能会面临各种兼容性问题。传统的方案要么性能损失严重要么配置复杂到让人抓狂。而Win11 WSL2 Docker Desktop的组合可以说是目前Windows平台上最优雅的解决方案。我最初尝试在Windows上直接安装CUDA和PyTorch结果被各种依赖冲突折磨得够呛。后来转向WSL2发现虽然解决了Linux环境的问题但每次切换项目都要重新配置环境。直到用上Docker Desktop才真正体会到什么叫一次配置到处运行的爽快感。这个方案最大的优势在于性能接近原生LinuxWSL2使用了真正的Linux内核GPU直通技术让CUDA性能损失不到5%环境隔离干净每个项目可以用不同的Docker镜像再也不用担心库版本冲突开发体验统一VS Code可以无缝连接WSL和Docker环境代码补全、调试都能正常使用部署方便本地调试好的镜像可以直接推送到生产服务器实测下来在RTX 4090上训练ResNet50这个方案比原生Windows快3倍比虚拟机方案快5倍以上。更重要的是再也不用担心把系统搞崩了——环境出问题删掉容器重来就行。2. 环境准备与基础配置2.1 安装WSL2并配置Ubuntu首先确保你的Windows 11版本不低于22000建议更新到最新版。按下WinX选择终端(管理员)依次执行以下命令# 启用WSL功能 dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart # 启用虚拟机平台 dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart # 设置WSL2为默认版本 wsl --set-default-version 2重启电脑后打开Microsoft Store安装Ubuntu 22.04 LTS。第一次启动时会提示设置用户名和密码这里要注意用户名不要用大写字母后续Docker挂载目录时可能会出问题密码可以简单点反正只在WSL内使用安装完成后建议执行以下优化配置# 更新软件源 sudo apt update sudo apt upgrade -y # 安装常用工具 sudo apt install -y build-essential curl wget git # 配置SSH可选但推荐 sudo apt install -y openssh-server sudo sed -i s/#Port 22/Port 2222/ /etc/ssh/sshd_config sudo service ssh restart2.2 安装NVIDIA驱动Windows和WSL2共享同一套NVIDIA驱动所以只需要在Windows端安装最新驱动即可。去NVIDIA官网下载Game Ready驱动不要选Studio驱动。安装完成后在PowerShell和WSL中分别执行nvidia-smi应该能看到相同的输出。如果WSL中报错可能是WSL版本太旧执行wsl --update升级内核。我遇到过的一个坑是某些笔记本的双显卡机型需要在BIOS中禁用集成显卡否则WSL2无法正确识别独立显卡。如果你发现nvidia-smi显示No devices were found可以尝试这个方案。3. Docker Desktop深度配置3.1 安装与WSL2集成从Docker官网下载Docker Desktop for Windows安装时务必勾选Use WSL 2 based engine选项。安装完成后不要立即启动先做以下配置打开Docker Desktop设置在General中启用Start Docker Desktop when you log in在Resources → WSL Integration中为你安装的Ubuntu发行版启用集成启动Docker Desktop后在WSL终端执行docker info应该能看到类似这样的输出Server: Containers: 0 Running: 0 Paused: 0 Stopped: 0 Images: 0 Server Version: 24.0.6 Storage Driver: overlay2 Backing Filesystem: extfs Logging Driver: json-file Cgroup Driver: systemd Cgroup Version: 2 ...3.2 配置NVIDIA Container Toolkit为了让Docker容器能使用GPU需要安装NVIDIA Container Toolkit。在WSL中执行以下命令# 添加GPG密钥 curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg # 添加仓库 curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \ sed s#deb https://#deb [signed-by/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list # 安装工具包 sudo apt update sudo apt install -y nvidia-container-toolkit # 配置Docker运行时 sudo nvidia-ctk runtime configure --runtimedocker sudo systemctl restart docker验证配置是否成功docker run --rm --gpus all nvidia/cuda:12.2.0-base-ubuntu22.04 nvidia-smi这个命令会下载一个基础CUDA镜像并运行nvidia-smi你应该能看到和宿主机相同的GPU信息。4. 构建PyTorch深度学习环境4.1 使用官方预构建镜像PyTorch官方提供了丰富的Docker镜像我们可以直接拉取使用# 拉取PyTorch镜像 docker pull pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime # 运行容器并挂载代码目录 docker run -it --gpus all -v $(pwd):/workspace --ipchost pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime这里有几个重要参数--gpus all让容器访问所有GPU-v $(pwd):/workspace把当前目录挂载到容器的/workspace--ipchost解决多进程共享内存问题进入容器后可以验证PyTorch是否正常识别GPUimport torch print(torch.__version__) # 应该输出2.1.0 print(torch.cuda.is_available()) # 应该输出True4.2 自定义镜像构建对于正式项目建议基于官方镜像构建自定义Dockerfile。创建一个Dockerfile文件FROM pytorch/pytorch:2.1.0-cuda12.1-cudnn8-devel # 设置清华镜像源 RUN pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple # 安装项目依赖 COPY requirements.txt . RUN pip install -r requirements.txt # 设置工作目录 WORKDIR /workspace CMD [/bin/bash]然后构建镜像docker build -t my-pytorch .我习惯为每个项目创建单独的镜像这样不同项目的依赖完全隔离。比如一个做CV的镜像可以安装OpenCV另一个做NLP的镜像安装transformers。5. 开发环境实战技巧5.1 VS Code远程开发配置VS Code的Remote - WSL和Remote - Containers扩展是绝配。安装扩展后在WSL中进入项目目录执行code .VS Code会自动连接到WSL环境按F1输入Remote-Containers: Attach to Running Container选择你的PyTorch容器现在你就能在容器内开发了所有代码补全、调试功能都能正常使用。更棒的是VS Code会自动帮你处理Python环境配置。5.2 数据科学工作流优化对于数据科学项目我推荐以下配置docker run -it --gpus all \ -v $(pwd):/workspace \ -v /path/to/dataset:/data \ -p 8888:8888 -p 6006:6006 \ --ipchost \ my-pytorch然后可以在容器内启动Jupyter Lab和TensorBoardjupyter lab --ip0.0.0.0 --port8888 --no-browser --allow-root tensorboard --logdir/workspace/logs --host 0.0.0.0 --port 6006这样在Windows浏览器访问localhost:8888就能用Jupyter访问localhost:6006查看TensorBoard。5.3 常见问题排查CUDA out of memory错误尝试减小batch size或者在docker run时添加--shm-size8g参数。Docker容器启动慢可能是WSL2虚拟硬盘碎片化执行以下命令优化wsl --shutdown optimize-vhd -Path C:\Users\YourName\AppData\Local\Packages\Canonical...\ext4.vhdx -Mode Full显卡无法识别首先确保Windows和WSL中nvidia-smi都能正常工作。如果不行尝试# 在WSL中检查NVIDIA设备 ls /dev/nvidia*如果缺少设备文件可能需要更新WSL内核或NVIDIA驱动。