wsl2可在windows 11上直通nvidia gpu实现cuda加速，无需双系统或虚拟机；需确保系统≥21h2、驱动≥535.00且支持wsl2 cuda、linux内核≥5.10.43.3，并严格匹配cuda toolkit与pytorch版本，否则nvidia-smi无输出或torch.cuda.is_available()返回false。
在Windows 11上无需双系统或虚拟机，就能让WSL2中的PyTorch、TensorFlow等框架直接调用物理NVIDIA显卡进行CUDA加速运算，整个过程不重启、不切换系统，GPU利用率接近原生Linux环境——前提是驱动、内核、CUDA版本三者严格对齐，任意一环错配都会导致nvidia-smi无输出或torch.cuda.is_available()返回False。
确认硬件与系统基础条件
打开PowerShell（管理员），逐条执行：
wsl --version → 若报“未识别命令”，说明WSL未启用，先运行wsl --install；若显示版本为1，必须升级：wsl --set-version 2（如ubuntu-22.04）。
winver → 确认系统为Windows 11 21H2或更高版本（2026年9月最新稳定版为23H2），低于此版本无法支持WSL2 GPU直通。
nvidia-smi → 在Windows原生PowerShell中运行，必须看到GPU型号、驱动版本（≥535.00）、CUDA Version（右侧小字，如“CUDA Version: 12.2”）。若此处失败，后续所有步骤都无效。
【关键前提】驱动必须是从NVIDIA官网下载的“Game Ready Driver”或“Studio Driver”，且明确标注支持“WSL2 CUDA”——旧版GeForce驱动或笔记本OEM定制驱动大概率不包含WSL子系统模块。
更新WSL Linux内核至兼容版本
WSL2 GPU直通依赖Linux 5.10.43.3+内核，旧版Ubuntu默认内核往往过低。
在PowerShell中运行：wsl cat /proc/version → 查看当前内核版本号。
若版本低于5.10.43.3，立即前往微软官方内核更新页下载wsl_update_x64.msi并安装。
安装后重启WSL：wsl --shutdown → 再次启动发行版，重新运行wsl cat /proc/version验证。
在WSL中验证NVIDIA设备可见性
启动Ubuntu等发行版终端，执行以下三步：
第一步：ls /dev | grep nvidia → 应看到nvidia0、nvidiactl、nvidia-uvm等设备节点。缺任何一个，说明驱动未正确透传到WSL空间。
第二步：nvidia-smi -L → 正常应输出GPU设备列表，例如GPU 0: NVIDIA GeForce RTX 4090 (UUID: GPU-xxxx)。若提示“NVIDIA-SMI has failed”，常见原因是宿主机驱动未重启生效，或WSL内核版本不足。
第三步：cat /proc/driver/nvidia/gpus/0/information → 检查GPU信息是否可读。这一步能排除/dev下设备存在但权限异常的情况。
安装匹配的CUDA Toolkit与cuDNN
方法一：使用NVIDIA官方APT仓库（推荐，版本可控）
执行：sudo apt update && sudo apt install -y ubuntu-drivers-common → 自动识别已安装驱动对应的CUDA版本。
访问CUDA历史版本页，根据宿主机nvidia-smi右侧显示的“CUDA Version”选择对应Toolkit（例如显示“CUDA Version: 12.2”，则装CUDA 12.2.2）。
下载.run文件后，赋予执行权限：chmod +x cuda_12.2.2_535.54.03_linux.run → 运行时取消勾选“Install NVIDIA Accelerated Graphics Driver”，只勾选CUDA Toolkit和Samples。
方法二：直接复用宿主机CUDA（免安装，但需手动配置路径）
WSL2允许挂载Windows路径，CUDA通常位于/mnt/c/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v12.2。
将该路径加入~/.bashrc：export PATH="/mnt/c/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v12.2/bin:$PATH" → export LD_LIBRARY_PATH="/mnt/c/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v12.2/libnvvp:$LD_LIBRARY_PATH" → source ~/.bashrc。
【易错点】不要在WSL中单独安装cuDNN——它必须与CUDA Toolkit版本严格一致，且NVIDIA已将cuDNN核心库集成进WSL驱动包，手动解压覆盖反而破坏兼容性。
安装PyTorch并验证CUDA可用性
进入虚拟环境（推荐conda）或干净Python环境：
运行：pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 → 注意cu121代表CUDA 12.1，必须与你实际安装的CUDA主版本一致（如CUDA 12.2则用cu122）。
启动Python交互环境：python3 → 输入：
import torch
print(torch.cuda.is_available()) → 必须输出True
print(torch.cuda.device_count()) → 应返回GPU数量（如1）
print(torch.cuda.get_device_name(0)) → 显示RTX 4090等真实型号
最后执行一次简单计算：a = torch.randn(1000, 1000).cuda(); b = torch.randn(1000, 1000).cuda(); c = a @ b; print(c.mean().item()) → 无报错且输出浮点数即成功。
