#记录工作
在 Windows 11 中借助 WSL 部署 Linux 虚拟环境的详细指南
Windows 11 中利用 WSL 构建 Linux 虚拟环境及项目部署方法
在 Windows 11 系统下，若要运行那些仅兼容 Linux 系统的项目或应用，利用 WSL（Windows Subsystem for Linux）来部署 Linux 虚拟环境是一个非常实用的方法。下面将为你详细介绍整个实现过程。
一、安装报错处理
在安装 WSL 相关环境时，可能会遇到一些错误情况，例如出现 WSL0x80071772 错误。如果是因为 Windows 11 系统设置中应用安装盘设置为 C 盘外其他盘导致该错误的，通常将 “应用安装盘” 恢复为 C 盘是比较直接的解决办法，但也存在其他解决方案。
若不想把 “应用安装盘” 恢复为 C 盘，可以尝试以下操作：先无视报错，直接安装其他 Linux 系统，像 Ubuntu、OracleLinux_9_1 等，可多安装一两个不同的 Linux 系统版本，直至新安装的某个 Linux 系统能正确运行为止，之后再重新启动 Ubuntu 24.04（假设你主要使用的是此版本），这时有可能所有 Linux 子系统都能正常运行了。
二、项目部署步骤
（一）整体思路
借助 WSL 在 Windows 11 中创建一个 Linux 虚拟环境，模拟出 Linux 系统的运行环境，使得原本只能在 Linux 系统下运行的程序或项目能够在此环境中顺利运行，以此避开 Windows 系统本身对部分软件存在的兼容性问题。
（二）详细步骤
-
安装 WSL：
- 首先，通过 “控制面板” 找到 “程序” 选项，接着选择 “启用或关闭 Windows 功能”。
- 在弹出的窗口里，找到并勾选 “适用于 Linux 的 Windows 子系统” 这一选项，然后点击 “确定” 按钮。
- 系统会自动开始安装相关组件，这个过程可能需要一些时间，请耐心等待，直到安装完成。
-
安装 Ubuntu 系统 24.x 版（以 Ubuntu 为例，你也可选择其他合适的 Linux 发行版）：
- 打开微软商店（Microsoft Store），在搜索栏中输入 “Ubuntu 24.x”，从搜索结果中找到对应的 Ubuntu 版本后，点击 “安装” 按钮。
- 安装完成后，可以在开始菜单里找到并打开 Ubuntu 应用，它会自动进行初始化配置，按照提示依次设置好用户名和密码等信息，这些信息后续在操作 Linux 系统时会经常用到哦。
-
选择使用 VS Code 连接 Linux 虚拟环境（对比 PyCharm）：
在开发过程中，我们常常会使用一些集成开发环境（IDE）来方便地进行代码编写、调试以及项目管理等工作。对于连接 WSL 中的 Linux 虚拟环境这一需求来说，常见的开发工具如 PyCharm 和 VS Code 都可以考虑，但二者存在一定区别。
PyCharm 分为专业版本和社区版本，其中专业版本是付费软件，它具备连接 WSL 虚拟环境的功能，能让我们在 Windows 系统下方便地与 Linux 环境进行交互开发。然而，其免费的社区版本并不支持这一功能，对于不想付费购买专业版的用户来说，就无法利用它来连接 WSL 里的 Linux 虚拟环境了。
而 VS Code 则不同，它本身是一款免费且开源的跨平台代码编辑器，通过安装相应的扩展就能轻松实现连接 WSL 虚拟环境这一功能。例如我们后续要安装的 “WSL” 扩展，安装之后就可以便捷地在 VS Code 中与 Linux 子系统里的虚拟环境进行交互操作了。至于其他编辑器，这里暂未进行相关尝试，综合考虑之下，VS Code 成为了连接 WSL 虚拟环境的一个合适选择。 -
安装 VS Code 扩展（关键步骤，用于连接 Linux 子系统中的虚拟环境）：
- 打开 Visual Studio Code（VS Code）软件，如果电脑上还未安装，可以先去官网（Visual Studio Code - Code Editing. Redefined）下载并安装。
- 进入 VS Code 后，点击左侧的扩展图标（一般是四个方块组成的图标），打开扩展商店。
- 在扩展商店的搜索框中输入 “WSL”，在搜索结果里找到官方的 “WSL” 扩展，点击 “安装” 按钮进行安装。安装完成后，建议重启 VS Code，以确保扩展能正常生效并发挥作用哦。
-
安装 CUDA（根据实际需求决定是否安装，如果后续运行的项目需要使用 GPU 加速，通常需要安装 CUDA）：
- 打开已经安装好的 Ubuntu 系统终端（可以通过开始菜单里的 Ubuntu 图标打开），在终端里输入 “sudo apt update” 命令，这个命令的作用是更新系统的软件包列表，确保后续能获取到最新版本的软件包信息，输入命令后按回车键执行，可能需要输入当前用户的密码进行权限验证（密码输入时是不会显示出来的哦，输完直接按回车键就行），等待更新完成。
- 然后依据项目所需的 CUDA 版本到 NVIDIA 官方网站（https://developer.nvidia.com/cuda-downloads）查找对应的 WSL 系统安装命令，复制该命令后回到 Ubuntu 终端粘贴并回车执行，就会开始下载并安装对应的 CUDA 版本了。安装过程可能会花费一些时间，需要耐心等待哦。
- 安装完成后，通过在终端里输入 “nvcc -V” 命令来验证 CUDA 是否成功安装，如果能看到显示出 CUDA 的版本信息，那就说明安装成功啦。http://【在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 CUDA 的记录 - CSDN App】https://blog.csdn.net/u014451778/article/details/144735570?sharetype=blog&shareId=144735570&sharerefer=APP&sharesource=u014451778&sharefrom=link
-
安装 CUDNN（同样根据需求决定，通常配合 CUDA 使用，用于深度学习等场景）：
- 先访问 NVIDIA 官方网站（cuDNN 9.6.0 Downloads | NVIDIA Developer），根据已经安装好的 CUDA 版本，在网站上找到适合的 CUDNN 版本以及对应的官方安装命令。
- 在 Ubuntu 终端里按照找到的命令依次执行，先是下载 CUDNN 的安装文件，然后进行安装操作，安装完成后，可以通过一些网上搜索的简单测试代码（不同版本和应用场景的测试代码可能有所不同哦）来验证 CUDNN 是否正常工作，以此确保其能为后续的项目提供相应的支持。http://【Windows 11 系统下，通过 WSL（Windows Subsystem for Linux）里的 Ubuntu 24.04 安装 CUDNN 记录 - CSDN App】https://blog.csdn.net/u014451778/article/details/144734627?sharetype=blog&shareId=144734627&sharerefer=APP&sharesource=u014451778&sharefrom=link
-
安装 Anaconda（方便管理 Python 环境和安装项目依赖的包）：
- 前往 Anaconda 官方网站（Download Anaconda Distribution | Anaconda）下载适用于 Linux 系统的最新 Anaconda 包，注意要选择对应 Linux 版本的安装文件哦（一般是.sh 后缀的文件）。
- 下载完成后，在 Ubuntu 终端里通过 “cd” 命令进入到下载文件所在的目录（例如，如果文件下载到了默认的 “Downloads” 目录，就输入 “cd Downloads” 命令进入该目录）。
- 接着在终端里输入 “bash Anaconda 文件名.sh” 命令（记得把文件名替换成你实际下载的文件名哦），然后按照安装过程中的提示一路回车或者输入 “yes” 即可完成安装。安装完成后，通过输入 “conda -V” 命令验证 Anaconda 是否安装成功，若能显示出 Anaconda 的版本信息，则说明安装成功啦。http://【在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 Anaconda3 - CSDN App】https://blog.csdn.net/u014451778/article/details/144737143?sharetype=blog&shareId=144737143&sharerefer=APP&sharesource=u014451778&sharefrom=link
-
安装相关依赖并配置环境变量：
- 根据你后续要运行的项目要求，使用 “conda install” 命令来安装所需的依赖包，例如像 numpy、pandas 等常用的 Python 库（具体依赖包要看具体项目的 README 文件或者相关说明文档哦）。比如要安装 numpy 包，就在终端里输入 “conda install numpy” 命令执行安装就行啦，安装多个包时可以在命令里依次罗列包名，中间用空格隔开哦。
- 安装完成依赖包后，还需要配置环境变量，这样系统才能准确找到相关的程序和库文件所在的位置呢。打开 “~/.bashrc” 文件（在终端里输入 “nano ~/.bashrc” 命令，会使用 nano 文本编辑器打开该文件哦），在文件末尾添加 Anaconda 的环境变量配置内容，一般是类似 “export PATH="$PATH:/home/ 用户名 /anaconda3/bin"” 这样的语句（注意把这里的用户名替换成你自己在 Ubuntu 系统里设置的用户名哦），添加完成后，按 “Ctrl + X” 组合键，然后按 “Y” 键保存修改，再按回车键退出 nano 编辑器。
- 最后在终端里输入 “source ~/.bashrc” 命令，使刚才配置的环境变量生效，这样就完成环境变量的配置啦。
-
安装 Torch（常用于深度学习项目，同样按需安装）：
- 根据项目所需的 Torch 版本，在终端里使用 “conda install pytorch torchvision torchaudio -c pytorch” 命令来安装 Torch（这里的命令可能因版本不同而有所差异，要根据实际情况调整哦，比如不同的 CUDA 版本搭配的 Torch 版本安装命令会不一样，具体可以查看 PyTorch 官方网站的安装说明）。
- 安装完成后，通过以下 Python 代码来验证 Torch、CUDA 和 CUDNN 的安装情况（可以在终端里输入 “python” 命令进入 Python 交互环境，然后粘贴以下代码执行哦）：
python
import torch
print(torch.__version__)
print(torch.cuda.is_available())
http://【在 Windows 11 下的 WSL - Ubuntu 24.04 中安装 Torch 的记录 - CSDN App】https://blog.csdn.net/u014451778/article/details/144737875?sharetype=blog&shareId=144737875&sharerefer=APP&sharesource=u014451778&sharefrom=link
如果能正确打印出 Torch 的版本号，并且 “torch.cuda.is_available ()” 返回 “True”，那就说明 Torch、CUDA 和 CUDNN 之间的配合安装是成功的啦，可以为后续基于深度学习等相关项目提供支持了哦。
- 新建虚拟环境（以创建一个新的 Python 虚拟环境为例）：
- 在 VS Code 中点击左下角绿色的 “><” 图标，选择已经安装好的 Ubuntu 系统终端进入。
- 在终端里输入 “conda create -n [虚拟环境名称] python=[指定的 Python 版本]” 命令来创建虚拟环境（例如 “conda create -n myenv python=3.10” 就是创建一个名为 “myenv” 且 Python 版本为 3.10 的虚拟环境哦，你可以根据自己的需求来调整虚拟环境名称和 Python 版本）。
- 创建完成后，输入 “conda activate [虚拟环境名称]” 命令（例如 “conda activate myenv”）来激活这个虚拟环境，激活后在终端提示符前面会显示出当前所在的虚拟环境名称，这样后续安装的包和执行的操作都会在这个虚拟环境下进行啦，方便不同项目之间的环境隔离哦。
通过以上一系列详细的步骤操作，我们就能在 Windows 11 系统中成功借助 WSL 部署好 Linux 虚拟环境啦，后续就可以在这个虚拟环境中运行各种原本只兼容 Linux 系统的项目或应用咯。希望这个指南对你有所帮助呀，要是在操作过程中遇到什么问题，可以多查看命令执行时的报错提示信息，然后通过搜索引擎查找对应的解决办法哦。