WSL2 深度学习环境配置：Ubuntu、CUDA、MMCV 与代理设置

本文整理 WSL2 下搭建深度学习开发环境时常用的配置项，包括 Ubuntu 图形界面、网络代理、CUDA Toolkit、MMCV，以及 conda 与 pip 混用时的排查思路。命令示例需要结合自己的 Windows、驱动和框架版本调整。

1. 配置前检查

开始前建议确认以下信息：

• Windows 已启用 WSL2，并安装了 Ubuntu 发行版；
• NVIDIA 驱动支持 WSL CUDA；
• 已明确项目所需的 Python、PyTorch、CUDA 和 MMCV 版本组合。

在 WSL 中可以先执行：

nvidia-smi
python --version

其中，nvidia-smi 能正常返回显卡与驱动信息，通常说明 WSL 已能访问 Windows 主机上的 NVIDIA 驱动。CUDA Toolkit、PyTorch 内置的 CUDA Runtime 与显卡驱动是不同层级，安装前不要混为一谈。

2. WSL2 图形界面：优先使用 WSLg

Windows 11 默认提供 WSLg，可直接运行 Linux 图形应用。大多数开发场景不需要在 WSL 中安装完整 Ubuntu 桌面或 GDM。

如果确实需要完整桌面会话，可安装桌面组件：

sudo apt update
sudo apt install ubuntu-desktop gdm3

需要注意：在 WSL 中启用 gdm3 依赖 systemd，且完整桌面会增加资源消耗，也可能与 WSLg 的使用方式冲突。只有在远程桌面或特定实验环境确有需求时再启用：

sudo systemctl enable gdm3

若安装过程中无法连接 Snap Store，优先检查 DNS、代理和网络连通性，而不是反复重装桌面环境。

3. 网络代理设置

Windows CMD 临时设置

下面设置仅对当前 CMD 窗口生效：

set http_proxy=http://127.0.0.1:7897
set https_proxy=http://127.0.0.1:7897

WSL / Linux 临时设置

export http_proxy=http://127.0.0.1:7897
export https_proxy=http://127.0.0.1:7897

在 WSL 的 NAT 网络模式下，127.0.0.1 未必指向 Windows 上的代理程序。可先确认代理软件是否允许局域网连接，再使用 /etc/resolv.conf 中的 nameserver 地址测试。

Python 中设置代理

在发起网络请求前设置环境变量：

import os

os.environ["HTTP_PROXY"] = "http://127.0.0.1:7897"
os.environ["HTTPS_PROXY"] = "http://127.0.0.1:7897"

不要把包含账号、密码或订阅链接的代理地址提交到公开文章或代码仓库。

4. 用 conda 安装 CUDA Toolkit

先创建独立环境，避免污染已有项目：

conda create -n dl python=3.10 -y
conda activate dl

安装指定版本的 CUDA Toolkit：

conda install -c nvidia cuda-toolkit=11.8

只有在需要本地编译 CUDA 扩展时，再额外安装 cuda-nvcc：

conda install -c nvidia cuda-nvcc=11.8

也可以使用 conda-forge：

conda install -c conda-forge cudatoolkit=11.1 cudatoolkit-dev=11.1 -y

conda 安装的是用户态 Toolkit，不会替代 Windows 主机上的 NVIDIA 驱动。对于 PyTorch，优先按照 PyTorch 官网给出的命令安装与其版本匹配的 CUDA Runtime；不要仅凭 CUDA_PATH 判断框架实际使用的 CUDA 版本。

查看与卸载

nvcc --version
conda list | grep cuda
conda remove "cuda*" -y

在 Windows CMD 中，将 grep 替换为 findstr：

conda list | findstr cuda

切换 CUDA 版本时，建议为不同的 PyTorch/CUDA 组合创建独立 conda 环境。只修改 CUDA_PATH 往往不足以解决二进制依赖不匹配的问题。

5. MMCV 安装与版本关系

推荐先安装 OpenMMLab 的 openmim：

pip install -U openmim
mim install mmcv

安装前应先固定 PyTorch 与 CUDA Runtime。MMCV 的预编译包需要与它们匹配；如果没有匹配的 wheel，pip 可能转为本地编译，进而要求可用的编译器和 CUDA Toolkit。

版本命名也需要区分：

• MMCV 1.x 中，mmcv 是轻量版，mmcv-full 包含 CUDA 算子；
• MMCV 2.x 中，mmcv 对应原先的完整版能力，mmcv-lite 不包含 CUDA 算子。

遇到导入或编译错误时，优先核对项目要求的 MMCV、PyTorch 和 CUDA 版本，而不是直接升级到最新版本。

6. conda 与 pip 混用的注意事项

conda 和 pip 的依赖解析相互独立。比较稳妥的顺序是：先用 conda 安装 Python、PyTorch 和系统级依赖，再用 pip 安装项目剩余依赖。

编译依赖当前环境中的 PyTorch 扩展时，可关闭 pip 的隔离构建：

export PIP_NO_BUILD_ISOLATION=1
python -m pip install . --no-build-isolation

Windows CMD 对应写法：

set PIP_NO_BUILD_ISOLATION=1
python -m pip install . --no-build-isolation

开发模式安装示例：

set DISTUTILS_USE_SDK=1
python -m pip install -e . --no-build-isolation -v

7. 显卡与版本兼容性

RTX 4060 属于 Ada 架构，建议使用较新的 NVIDIA 驱动，并优先选择项目官方支持的 PyTorch CUDA 版本，例如 CUDA 11.8 或 12.x 运行时。它并不存在“绝对不能使用某个更低 CUDA 版本”的简单结论，关键在于驱动、框架 wheel 和是否需要本地编译扩展。

Python 和 PyTorch 的兼容范围会随版本变化。创建环境前请查阅当前 PyTorch 发布页的版本矩阵，不要将某个项目的最低版本要求当作所有环境的通用限制。

8. 最后检查清单

python -c "import torch; print(torch.__version__); print(torch.version.cuda); print(torch.cuda.is_available())"
python -c "import mmcv; print(mmcv.__version__)"

确认 torch.cuda.is_available() 返回 True 后，再继续安装检测、分割或训练框架，后续排查会更高效。