关键是在Windows宿主机安装≥525.60.13版NVIDIA驱动并启用WSL2 GPU直通，而非在Linux中装驱动；需更新WSL2内核≥5.15.146.1，配置linux-headers与sysctl参数，再安装CUDA Toolkit 12.4，最后验证nvidia-smi和torch.cuda.is_available()均正常。
要在Windows的WSL2中运行PyTorch或TensorFlow训练脚本并真正用上NVIDIA显卡加速，关键不是在Linux里装驱动，而是让WSL2通过微软的GPU Passthrough机制直接调用宿主机已安装的NVIDIA驱动——这一步漏掉或做错，容器里nvidia-smi会报“no devices found”，本地Python里torch.cuda.is_available()永远返回False。
确认宿主机NVIDIA驱动已正确安装
打开Windows设备管理器 → 展开“显示适配器”，看到“NVIDIA GeForce RTX XXX”且无黄色感叹号。右键属性 → “驱动程序”选项卡 → 点击“驱动程序详细信息”，确认驱动版本≥525.60.13。低于此版本的驱动不支持WSL2 GPU直通，强行继续会导致CUDA初始化失败。
在PowerShell中执行：nvidia-smi，必须能看到GPU型号、温度、显存使用率等完整输出。如果提示“NVIDIA-SMI has failed”，说明宿主机驱动异常，此时任何WSL2配置都无效，【必须先修复Windows端驱动】。
启用WSL2并升级到最新内核
以管理员身份运行PowerShell，依次执行：
dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart
重启电脑。
重启后再次以管理员身份运行PowerShell，执行：wsl --update。这会下载并安装微软官方维护的最新WSL2 Linux内核（当前稳定版内核需≥5.15.146.1）。旧内核（如5.10.x）无法加载NVIDIA WSL2内核模块，即使驱动版本达标也会卡在nvidia-smi无响应。
执行wsl --version确认输出中“内核版本”字段符合要求。
让 Windows 桌面程序在开机时静默自启并隐藏到系统托盘。特别适用于 Flutter、Electron 等无视 VBS/ProcessStartInfo 窗口样式、难以隐藏的顽固应用。提供「VBS 启动器 + Python ctypes/Win32 API」的隐藏窗口方案，可稳定把窗口收进托盘且不闪控制台。
安装Ubuntu并配置GPU直通支持
方法一：从Microsoft Store安装Ubuntu 22.04 LTS，首次启动时完成用户初始化。
方法二（推荐）：命令行一键安装并设为默认发行版：wsl --install -d Ubuntu-22.04 → wsl --set-default Ubuntu-22.04。
进入WSL终端，执行：sudo apt update && sudo apt install -y linux-headers-$(uname -r)。这一步是为后续加载NVIDIA内核模块做准备，缺了会导致nvidia-smi在WSL中无法识别设备节点。
退出WSL，回到Windows PowerShell，执行：wsl -d Ubuntu-22.04 -u root sh -c "echo 'kernel.unprivileged_userns_clone=1' >> /etc/sysctl.conf"。该参数允许非root用户访问GPU设备文件，否则普通用户运行python -c "import torch; print(torch.cuda.is_available())"会静默失败。
验证WSL2内GPU可用性
第一步：在WSL中运行nvidia-smi。成功时将显示与Windows宿主机完全一致的GPU信息，包括显存占用、进程列表（注意：此处进程名显示为“WDDM”而非“Cuda”——这是正常现象）。
第二步：安装CUDA Toolkit（仅需toolkit，无需Driver）：sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/jammy/3bf863cc.pub → echo "deb https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/jammy/ /" | sudo tee /etc/apt/sources.list.d/cuda.list → sudo apt update && sudo apt install -y cuda-toolkit-12-4。
第三步：检查CUDA编译器和运行时：nvcc --version 和 cat /usr/local/cuda/version.txt 应输出匹配的12.4版本号。若版本不一致（例如nvcc是12.2而CUDA路径指向12.4），【PyTorch将拒绝启用CUDA后端】。
第四步：测试PyTorch GPU支持：python3 -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.device_count()); print(torch.cuda.get_device_name(0))"。四行输出全部成功且设备名与nvidia-smi一致，即表示深度学习环境已就绪。
