Win11离线搭建WSL2深度学习环境保姆级教程（含CUDA 12.6、PyTorch GPU版配置）

Win11离线搭建WSL2深度学习环境全攻略从零配置CUDA 12.6到PyTorch GPU实战在科研机构、军工单位或企业内网环境中开发者常面临无法连接互联网却需要快速搭建AI开发环境的困境。本文将彻底解决这一痛点手把手带你完成完全离线的Win11系统下WSL2深度学习环境搭建涵盖Ubuntu 20.04离线部署、CUDA 12.6工具链配置、PyTorch GPU版安装等关键环节。不同于常规教程我们特别准备了国内镜像源加速包和备用下载方案确保即使在没有外网的环境下也能顺利完成所有组件安装。1. 离线环境准备WSL2核心组件部署1.1 Windows功能离线启用方案在完全离线的Windows 11系统中首先需要准备以下组件包wsl-update-x64.msiWSL2内核更新包Microsoft-Windows-HyperV-OptionalFeature-Package.cabHyper-V功能包获取途径从已联网的同版本Win11系统C:\Windows\Servicing\Packages目录提取通过企业内网WSUS服务器下载启用步骤# 手动安装Hyper-V功能包需管理员权限 dism /online /add-package /packagepath:Microsoft-Windows-HyperV-OptionalFeature-Package.cab # 安装WSL2内核更新 msiexec /i wsl-update-x64.msi /quiet /norestart1.2 Ubuntu 20.04离线安装包获取针对不同CPU架构的获取方案架构类型下载源文件命名规则AMD64国内镜像站ubuntu-20.04-server-cloudimg-amd64-wsl.rootfs.tar.gzARM64企业内网仓库ubuntu-20.04-server-cloudimg-arm64-wsl.rootfs.tar.gz提示可通过echo %PROCESSOR_ARCHITECTURE%命令确认系统架构离线导入WSL镜像wsl --import Ubuntu-20.04 D:\wsl\ubuntu D:\packages\ubuntu-20.04-wsl.tar.gz2. CUDA 12.6离线部署实战2.1 NVIDIA驱动离线安装方案对于完全离线的开发机需要提前下载Windows版NVIDIA驱动.exeCUDA Toolkit 12.6离线安装包.run关键步骤# 在WSL中安装编译工具链 sudo cp /mnt/d/packages/build-essential.deb . sudo dpkg -i build-essential.deb # 安装CUDA Toolkit sudo sh cuda_12.6.1_535.86.10_linux.run --silent --toolkit环境变量配置示例# 在~/.bashrc中添加 export CUDA_HOME/usr/local/cuda-12.6 export PATH${CUDA_HOME}/bin:${PATH} export LD_LIBRARY_PATH${CUDA_HOME}/lib64:${LD_LIBRARY_PATH}2.2 离线验证CUDA安装创建测试脚本cuda_test.cu#include stdio.h #include cuda_runtime.h int main() { int deviceCount; cudaGetDeviceCount(deviceCount); printf(Detected %d CUDA Capable device(s)\n, deviceCount); return 0; }编译与运行nvcc cuda_test.cu -o cuda_test ./cuda_test3. Anaconda离线安装与配置3.1 完整离线包获取推荐下载包含以下内容的离线安装包Anaconda3-2024.06-Linux-x86_64.sh常用Python包wheel文件合集约5GB安装过程bash Anaconda3-2024.06-Linux-x86_64.sh -b -p $HOME/anaconda33.2 离线conda环境管理创建本地channel仓库mkdir -p ~/conda_pkgs conda index ~/conda_pkgs常用离线安装命令conda install --use-local ~/conda_pkgs/numpy-1.24.3-py39h6c91a56_0.tar.bz24. PyTorch GPU版离线部署4.1 完整依赖包下载方案需要准备的离线文件torch-2.3.0cu121-cp39-cp39-linux_x86_64.whltorchvision-0.17.0cu121-cp39-cp39-linux_x86_64.whl相关依赖项约30个whl文件安装流程pip install --no-index --find-links/mnt/d/packages/torch_deps torch-2.3.0cu121-cp39-cp39-linux_x86_64.whl4.2 GPU加速验证测试创建测试脚本pytorch_gpu_test.pyimport torch print(fPyTorch版本: {torch.__version__}) print(fCUDA可用: {torch.cuda.is_available()}) print(f当前设备: {torch.cuda.current_device()}) print(f设备名称: {torch.cuda.get_device_name(0)})预期输出示例PyTorch版本: 2.3.0cu121 CUDA可用: True 当前设备: 0 设备名称: NVIDIA GeForce RTX 40605. 离线Docker环境配置5.1 镜像离线导入方案对于无法连接Docker Hub的环境在联网机器拉取镜像docker pull nvidia/cuda:12.6.1-devel-ubuntu20.04导出镜像包docker save -o cuda12.6-ubuntu20.04.tar nvidia/cuda:12.6.1-devel-ubuntu20.04离线机器加载docker load -i cuda12.6-ubuntu20.04.tar5.2 离线容器数据持久化推荐挂载方案docker run -it --gpus all \ -v /mnt/d/offline_packages:/packages \ -v /mnt/d/projects:/workspace \ nvidia/cuda:12.6.1-devel-ubuntu20.046. 常见问题与应急解决方案6.1 依赖缺失处理流程当出现缺少依赖库时查找离线包仓库中的对应deb/rpm文件使用dpkg手动安装sudo dpkg -i /mnt/d/packages/libopenblas-dev_0.3.20_amd64.deb通过--force-all参数解决依赖冲突6.2 CUDA与驱动版本兼容矩阵CUDA版本最低驱动版本支持的计算架构12.6535.86.108.0-9.012.4530.30.028.0-9.012.2525.60.138.0-9.06.3 备用镜像源配置对于有受限网络访问的环境可配置企业内网镜像源# Conda源配置 conda config --add channels http://mirror.internal/conda-repo # Pip源配置 mkdir -p ~/.pip echo [global] index-url http://mirror.internal/pypi/simple trusted-host mirror.internal ~/.pip/pip.conf在实际部署过程中建议先将所有离线包统一存放在D:\offline_packages目录并通过WSL的/mnt/d挂载点访问。对于需要团队共享的环境配置可以制作成Docker镜像导出文件实现快速批量部署。