文章目录
以前捣鼓过wsl，即Windows下的Linux子系统，但兼容性依然比不过原生的Linux系统，使用cmake等命令会出现奇怪的问题。
最近听说wsl2出来了，而且也可以在wsl上安装nvidia显卡驱动了，有网友实测跑深度学习模型速度能比Windows的快一倍左右，哈哈这就必须得捣鼓捣鼓了，如果兼容性真的没问题的话，那可比虚拟机或双系统要爽多了~
目前还发现，微软官网对wsl的使用教程也写的非常友好，推荐大家多看看官方教程，毕竟时效性可以保证~~
微软wsl官方教程：https://learn.microsoft.com/zh-cn/windows/wsl/install
更多文章欢迎来我的博客小站看呀，会有更多的技术细节~
本篇教程后面涉及到WSL2上的GPU加速，经网上帖子的建议，用最新的win11系统可以保证最大的成功率。如果是win10系统，需将win10升级为预览体验版本，建议谨慎折腾！
没特殊需求的，都建议将系统升级为win11再进行尝试。
从对比图中可以看到，除非对跨OS的文件系统性能有要求，WSL 2是全面优于WSL 1的。官方文档也建议使用VSCode对WSL中的文件进行访问和操作，所以WSL 2搭配VSCode应该是非常棒的组合~
管理员模式下打开 PowerShell 或 Windows 命令提示符
查看可用发行版本列表
wsl --list --online
可以看到有Ubuntu-20.04这个发行版本，正是我们需要的~
安装Ubuntu-20.04发行版
wsl --install -d Ubuntu-20.04
这里默认安装的就是wsl2，如果对wsl1有需求，可以查阅官方文档哦，有很详尽的介绍~
安装大概花费5~10分钟左右，视电脑配置和网络状况，耐心等待即可~
提示安装成功后，重启电脑即可完成安装。重启后会默认弹出Linux powershell，设置完用户名和密码，安装正式完成，如下图~
sudo apt update && sudo apt upgrade
在VSCode中安装「 Remote Development 」扩展。除了远程 - SSH 和开发容器扩展，此扩展包还包括 WSL 扩展，使你能够在容器、远程计算机上或 WSL 中打开任何文件夹。
可以通过在WSL2命令行中输入code .就可以直接用VSCode打开Linux中的文件夹进行开发了~
下载并安装 NVIDIA GPU 的最新驱动程序：https://www.nvidia.com/Download/index.aspx
我的笔记本是3060，所以可以按如下配置搜索
搜索出来后点击下载即可，可以看到驱动版本目前最新是527.56
这是您需要安装的唯一驱动程序。不要在 WSL 中安装任何 Linux 显卡驱动程序。 详情参阅Nvidia官方说明：WSL 2 上的
CUDA
入门再次强调，不要在WSL中安装任何Linux版的Nvidia驱动！
下载完驱动后就可以安装了，我直接选择默认的NVIDIA 显卡驱动和 GeForce Experience选项，安装选项为精简，安装完成后重启下电脑即可~
打开powershell，输入nvidia-smi，可以看到Windows下已经正常输出显卡驱动信息了
输入wsl，可以进入Linux命令行，再次输入nvidia-smi，可以看到Linux环境下，也输出了显卡驱动信息，大功告成~
如果在wsl2命令行中输入
nvidia-smi发现没有正常输出，而是报错，首先要检查的就是你的Windows版本是不是太低了，还是建议升级到最新的win11系统再进行折腾因为有网友已经实践，升级到win11后啥都不用做，直接就把wsl2链接到GPU了
所以看到报错先检查Windows版本，千万不要在WSL中安装任何Linux版的Nvidia驱动！不需要的！
接下来就有两种方式了：
一个是按Nvidia官方说明：WSL 2 上的 CUDA 入门上的，在CUDA Toolkit下载界面选择适合WSL的CUDA Toolkit进行安装，如下图所示
另一种是根据网友的评论，可以依赖于conda和pytorch直接安装gpu版本的pytorch，安装成功后cuda也是可以直接用了。pytorch官方给出的安装命令如下图，可以看到其中也包含了cuda 11.7
这两种的区别，据有网友说第二种方式安装的CUDA Toolkit貌似只适用于Pytorch，所以如果想将CUDA Toolkit和C++搭配使用的话，还是得要用第一种方式安装一次CUDA Toolkit
但经博主亲自实践，用conda安装的cuda，也是可以直接和C++搭配使用的！
所以接下来的内容就是，用第二种方式安装pytorch的gpu版本，即可将cuda安装好。然后编写一个c++脚本测试一下，都没问题的话，即WSL2的GPU加速配置大功告成~
本节教程和微软wsl官方教程中的GPU加速配置有区别，好像是官方教程里好像设置了Docker什么的，我目前好像还用不到这么深，所以就没参考微软wsl的官方教程
界面截图如上图所示，PyTorch直接给出了安装命令，如下
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
因此，我们直接在Linux的命令行中，切换到我们自己创建的python虚拟环境，运行以上命令进行安装，以下是conda给出安装前的输出信息，可以看到里面就包含了CUDA Toolkit
## Package Plan ##
environment location: /home/aayu/miniconda3/envs/py38
added / updated specs:
- pytorch
- pytorch-cuda=11.7
- torchaudio
- torchvision
The following packages will be downloaded:
package | build
---------------------------|-----------------
cuda-11.7.1 | 0 1 KB nvidia
cuda-cccl-11.7.91 | 0 1.2 MB nvidia
cuda-command-line-tools-11.7.1| 0 1 KB nvidia
cuda-compiler-11.7.1 | 0 1 KB nvidia
cuda-cudart-11.7.99 | 0 194 KB nvidia
cuda-cudart-dev-11.7.99 | 0 1.1 MB nvidia
cuda-cuobjdump-11.7.91 | 0 158 KB nvidia
cuda-cupti-11.7.101 | 0 22.9 MB nvidia
cuda-cuxxfilt-11.7.91 | 0 293 KB nvidia
cuda-demo-suite-12.0.76 | 0 5.0 MB nvidia
cuda-documentation-12.0.76 | 0 89 KB nvidia
cuda-driver-dev-11.7.99 | 0 16 KB nvidia
cuda-gdb-12.0.90 | 0 5.3 MB nvidia
cuda-libraries-11.7.1 | 0 1 KB nvidia
cuda-libraries-dev-11.7.1 | 0 2 KB nvidia
cuda-memcheck-11.8.86 | 0 168 KB nvidia
cuda-nsight-12.0.78 | 0 113.6 MB nvidia
cuda-nsight-compute-12.0.0 | 0 1 KB nvidia
cuda-nvcc-11.7.99 | 0 42.7 MB nvidia
cuda-nvdisasm-12.0.76 | 0 47.9 MB nvidia
cuda-nvml-dev-11.7.91 | 0 80 KB nvidia
cuda-nvprof-12.0.90 | 0 4.3 MB nvidia
cuda-nvprune-11.7.91 | 0 64 KB nvidia
cuda-nvrtc-11.7.99 | 0 17.3 MB nvidia
cuda-nvrtc-dev-11.7.99 | 0 16.9 MB nvidia
cuda-nvtx-11.7.91 | 0 57 KB nvidia
cuda-nvvp-12.0.90 | 0 114.3 MB nvidia
cuda-runtime-11.7.1 | 0 1 KB nvidia
cuda-sanitizer-api-12.0.90 | 0 16.6 MB nvidia
cuda-toolkit-11.7.1 | 0 1 KB nvidia
cuda-tools-11.7.1 | 0 1 KB nvidia
cuda-visual-tools-11.7.1 | 0 1 KB nvidia
cudatoolkit-10.1.243 | h036e899_8 427.4 MB nvidia
gds-tools-1.5.0.59 | 0 40.9 MB nvidia
intel-openmp-2022.1.0 | h9e868ea_3769 4.5 MB
lcms2-2.12 | h3be6417_0 312 KB
libcublas-11.10.3.66 | 0 286.1 MB nvidia
libcublas-dev-11.10.3.66 | 0 296.4 MB nvidia
libcufft-10.7.2.124 | h4fbf590_0 93.6 MB nvidia
libcufft-dev-10.7.2.124 | h98a8f43_0 197.3 MB nvidia
libcufile-1.5.0.59 | 0 754 KB nvidia
libcufile-dev-1.5.0.59 | 0 13 KB nvidia
libcurand-10.3.1.50 | 0 51.7 MB nvidia
libcurand-dev-10.3.1.50 | 0 449 KB nvidia
libcusolver-11.4.0.1 | 0 78.7 MB nvidia
libcusolver-dev-11.4.0.1 | 0 55.9 MB nvidia
libcusparse-11.7.4.91 | 0 151.1 MB nvidia
libcusparse-dev-11.7.4.91 | 0 309.5 MB nvidia
libnpp-11.7.4.75 | 0 129.3 MB nvidia
libnpp-dev-11.7.4.75 | 0 126.6 MB nvidia
libnvjpeg-11.8.0.2 | 0 2.2 MB nvidia
libnvjpeg-dev-11.8.0.2 | 0 1.9 MB nvidia
mkl-2022.1.0 | hc2b9512_224 129.7 MB
ninja-1.10.2 | h06a4308_5 8 KB
ninja-base-1.10.2 | hd09550d_5 109 KB
nsight-compute-2022.4.0.15 | 0 764.0 MB nvidia
pillow-9.2.0 | py38hace64e9_1 666 KB
pytorch-1.4.0 |py3.8_cuda10.1.243_cudnn7.6.3_0 433.1 MB pytorch
pytorch-cuda-11.7 | h67b0de4_1 3 KB pytorch
torchaudio-0.4.0 | py38 6.1 MB pytorch
torchvision-0.5.0 | py38_cu101 9.1 MB pytorch
------------------------------------------------------------
Total: 3.91 GB
The following NEW packages will be INSTALLED:
cuda nvidia/linux-64::cuda-11.7.1-0
cuda-cccl nvidia/linux-64::cuda-cccl-11.7.91-0
cuda-command-line~ nvidia/linux-64::cuda-command-line-tools-11.7.1-0
cuda-compiler nvidia/linux-64::cuda-compiler-11.7.1-0
cuda-cudart nvidia/linux-64::cuda-cudart-11.7.99-0
cuda-cudart-dev nvidia/linux-64::cuda-cudart-dev-11.7.99-0
cuda-cuobjdump nvidia/linux-64::cuda-cuobjdump-11.7.91-0
cuda-cupti nvidia/linux-64::cuda-cupti-11.7.101-0
cuda-cuxxfilt nvidia/linux-64::cuda-cuxxfilt-11.7.91-0
cuda-demo-suite nvidia/linux-64::cuda-demo-suite-12.0.76-0
cuda-documentation nvidia/linux-64::cuda-documentation-12.0.76-0
cuda-driver-dev nvidia/linux-64::cuda-driver-dev-11.7.99-0
cuda-gdb nvidia/linux-64::cuda-gdb-12.0.90-0
cuda-libraries nvidia/linux-64::cuda-libraries-11.7.1-0
cuda-libraries-dev nvidia/linux-64::cuda-libraries-dev-11.7.1-0
cuda-memcheck nvidia/linux-64::cuda-memcheck-11.8.86-0
cuda-nsight nvidia/linux-64::cuda-nsight-12.0.78-0
cuda-nsight-compu~ nvidia/linux-64::cuda-nsight-compute-12.0.0-0
cuda-nvcc nvidia/linux-64::cuda-nvcc-11.7.99-0
cuda-nvdisasm nvidia/linux-64::cuda-nvdisasm-12.0.76-0
cuda-nvml-dev nvidia/linux-64::cuda-nvml-dev-11.7.91-0
cuda-nvprof nvidia/linux-64::cuda-nvprof-12.0.90-0
cuda-nvprune nvidia/linux-64::cuda-nvprune-11.7.91-0
cuda-nvrtc nvidia/linux-64::cuda-nvrtc-11.7.99-0
cuda-nvrtc-dev nvidia/linux-64::cuda-nvrtc-dev-11.7.99-0
cuda-nvtx nvidia/linux-64::cuda-nvtx-11.7.91-0
cuda-nvvp nvidia/linux-64::cuda-nvvp-12.0.90-0
cuda-runtime nvidia/linux-64::cuda-runtime-11.7.1-0
cuda-sanitizer-api nvidia/linux-64::cuda-sanitizer-api-12.0.90-0
cuda-toolkit nvidia/linux-64::cuda-toolkit-11.7.1-0
cuda-tools nvidia/linux-64::cuda-tools-11.7.1-0
cuda-visual-tools nvidia/linux-64::cuda-visual-tools-11.7.1-0
cudatoolkit nvidia/linux-64::cudatoolkit-10.1.243-h036e899_8
gds-tools nvidia/linux-64::gds-tools-1.5.0.59-0
intel-openmp pkgs/main/linux-64::intel-openmp-2022.1.0-h9e868ea_3769
lcms2 pkgs/main/linux-64::lcms2-2.12-h3be6417_0
libcublas nvidia/linux-64::libcublas-11.10.3.66-0
libcublas-dev nvidia/linux-64::libcublas-dev-11.10.3.66-0
libcufft nvidia/linux-64::libcufft-10.7.2.124-h4fbf590_0
libcufft-dev nvidia/linux-64::libcufft-dev-10.7.2.124-h98a8f43_0
libcufile nvidia/linux-64::libcufile-1.5.0.59-0
libcufile-dev nvidia/linux-64::libcufile-dev-1.5.0.59-0
libcurand nvidia/linux-64::libcurand-10.3.1.50-0
libcurand-dev nvidia/linux-64::libcurand-dev-10.3.1.50-0
libcusolver nvidia/linux-64::libcusolver-11.4.0.1-0
libcusolver-dev nvidia/linux-64::libcusolver-dev-11.4.0.1-0
libcusparse nvidia/linux-64::libcusparse-11.7.4.91-0
libcusparse-dev nvidia/linux-64::libcusparse-dev-11.7.4.91-0
libnpp nvidia/linux-64::libnpp-11.7.4.75-0
libnpp-dev nvidia/linux-64::libnpp-dev-11.7.4.75-0
libnvjpeg nvidia/linux-64::libnvjpeg-11.8.0.2-0
libnvjpeg-dev nvidia/linux-64::libnvjpeg-dev-11.8.0.2-0
mkl pkgs/main/linux-64::mkl-2022.1.0-hc2b9512_224
ninja pkgs/main/linux-64::ninja-1.10.2-h06a4308_5
ninja-base pkgs/main/linux-64::ninja-base-1.10.2-hd09550d_5
nsight-compute nvidia/linux-64::nsight-compute-2022.4.0.15-0
pillow pkgs/main/linux-64::pillow-9.2.0-py38hace64e9_1
pytorch pytorch/linux-64::pytorch-1.4.0-py3.8_cuda10.1.243_cudnn7.6.3_0
pytorch-cuda pytorch/noarch::pytorch-cuda-11.7-h67b0de4_1
six pkgs/main/noarch::six-1.16.0-pyhd3eb1b0_1
torchaudio pytorch/linux-64::torchaudio-0.4.0-py38
torchvision pytorch/linux-64::torchvision-0.5.0-py38_cu101
贴一张安装过程中的截图哈哈
安装成功！用nvcc -V命令测试一下是否能正常输出，成功输出，如下图
导入Pytorch测试一下，正确链接到GPU，并识别出显卡
编写一个cuda脚本
#include "cuda_runtime.h"
#include <stdlib.h>
#include <assert.h>
#include <iostream>
// Device code
__global__ void VecAdd(float* A, float* B, float* C)
{
int i = threadIdx.x;
C[i] = A[i] + B[i];
}
// Host code
int main()
{
int N = 1024;
size_t size = N * sizeof(float);
// Allocate input vectors h_A and h_B in host memory
float* h_A = (float*)malloc(size);
float* h_B = (float*)malloc(size);
float* h_C = (float*)malloc(size);
// Initialize input vectors
for (size_t i = 0; i < N; i++)
{
h_A[i] = 1.;
h_B[i] = 2.;
}
// Allocate vectors in device memory
float* d_A;
cudaMalloc(&d_A, size);
float* d_B;
cudaMalloc(&d_B, size);
float* d_C;
cudaMalloc(&d_C, size);
// Copy vectors from host memory to device memory
cudaMemcpy(d_A, h_A, size, cudaMemcpyHostToDevice);
cudaMemcpy(d_B, h_B, size, cudaMemcpyHostToDevice);
// Kernel invocation with N threads
VecAdd<<<1, N>>>(d_A, d_B, d_C);
// Copy result from device memory to host memory
// h_C contains the result in host memory
cudaMemcpy(h_C, d_C, size, cudaMemcpyDeviceToHost);
for (size_t i = 0; i < N; i++){
assert(h_C[i] == 3.);
}
std::cout << "\t\t\t\tDONE!" << std::endl;
// Free device memory
cudaFree(d_A);
cudaFree(d_B);
cudaFree(d_C);
// Free host memory
free(h_A);
free(h_B);
free(h_C);
return 0;
}
然后在刚刚安装了cuda的python环境下用以下命令编译
nvcc cuda_test_1.cu -o cuda_test_1
编译成功后用./cuda_test_1运行，成功运行如下图
大功告成！
按照目前的情况，这个问题不适合我们的问答形式。我们希望答案得到事实、引用或专业知识的支持，但这个问题可能会引发辩论、争论、投票或扩展讨论。如果您觉得这个问题可以改进并可能重新打开，visitthehelpcenter指导。关闭10年前。问题1)我想知道rubyonrails是否有功能类似于primefaces的gem。我问的原因是如果您使用primefaces(http://www.primefaces.org/showcase-labs/ui/home.jsf)，开发人员无需担心javascript或jquery的东西。据我所知，JSF是一个规范，基于规范的各种可用实现，prim
本教程将在Unity3D中混合Optitrack与数据手套的数据流，在人体运动的基础上，添加双手手指部分的运动。双手手背的角度仍由Optitrack提供，数据手套提供双手手指的角度。 01 客户端软件分别安装MotiveBody与MotionVenus并校准人体与数据手套。MotiveBodyMotionVenus数据手套使用、校准流程参照：https://gitee.com/foheart_1/foheart-h1-data-summary.git02 数据转发打开MotiveBody软件的Streaming，开始向Unity3D广播数据；MotionVenus中设置->选项选择Unit
运行bundleinstall后出现此错误:Gem::Package::FormatError:nometadatafoundin/Users/jeanosorio/.rvm/gems/ruby-1.9.3-p286/cache/libv8-3.11.8.13-x86_64-darwin-12.gemAnerroroccurredwhileinstallinglibv8(3.11.8.13),andBundlercannotcontinue.Makesurethat`geminstalllibv8-v'3.11.8.13'`succeedsbeforebundling.我试试gemin
我正在运行Ubuntu11.10并像这样安装Ruby1.9:$sudoapt-getinstallruby1.9rubygems一切都运行良好，但ri似乎有空文档。ri告诉我文档是空的，我必须安装它们。我执行此操作是因为我读到它会有所帮助:$rdoc--all--ri现在，当我尝试打开任何文档时:$riArrayNothingknownaboutArray我搜索的其他所有内容都是一样的。 最佳答案 这个呢？apt-getinstallri1.8编辑或者试试这个:(非rvm)geminstallrdocrdoc-datardoc-da
我正在使用PostgreSQL9.1.3(x86_64-pc-linux-gnu上的PostgreSQL9.1.3，由gcc-4.6.real(Ubuntu/Linaro4.6.1-9ubuntu3)4.6.1，64位编译)和在ubuntu11.10上运行3.2.2或3.2.1。现在，我可以使用以下命令连接PostgreSQLsupostgres输入密码我可以看到postgres=#我将以下详细信息放在我的config/database.yml中并执行“railsdb”，它工作正常。开发:adapter:postgresqlencoding:utf8reconnect:falsedat
深度学习12.CNN经典网络VGG16一、简介1.VGG来源2.VGG分类3.不同模型的参数数量4.3x3卷积核的好处5.关于学习率调度6.批归一化二、VGG16层分析1.层划分2.参数展开过程图解3.参数传递示例4.VGG16各层参数数量三、代码分析1.VGG16模型定义2.训练3.测试一、简介1.VGG来源VGG（VisualGeometryGroup）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛冠军；VGG网络采用连续的小卷积核（3x3）和池化层构建深度神经网络，网络深度可以达到16层或19层，其中VGG16和VGG
3月26日，映宇宙（HK:03700，即“映客”）发布截至2022年12月31日的2022年度业绩财务报告。财报显示，映宇宙2022年的总营收为63.19亿元，较2021年同期的91.76亿元下降31.1%。2022年，映宇宙的经营亏损为4698.7万元，2021年同期则为净利润4.57亿元；期内亏损（净亏损）为1.68亿元，2021年同期的净利润为4.33亿元；非国际财务报告准则经调整净利润为3.88亿元，2021年同期为4.82亿元，同比下降19.6%。 映宇宙在财报中表示，收入减少主要是由于行业竞争加剧，该集团对旗下产品采取更为谨慎的运营策略以应对市场变化。不过，映宇宙的毛利率则有所提升
下载微PE工具箱进入官网下载微PE工具箱-下载 安装好后,打开微PE工具箱客户端,选择安装PE到U盘 PE壁纸可选择自己喜欢的壁纸,勾选上包含DOS工具箱,个性化盘符图标 下载原版系统进入网站下载镜像NEXT,ITELLYOU如果没有账号,注册一下就好进入选择开始使用选择win10 这里我们选择消费者版,用迅雷把BT种子下载下来 下面的两个盘符,是PE工具箱安装进U盘后,分成的盘符,注意EFI的盘符,这里面不能删东西,也不能添东西,另一个盘符可以当做正常的U盘空间使用,我们现在需要把下载下来的景象文件复制到正常的U盘空间中去 这个时候我们的系统U盘就只做好了 安装系统我们将U盘插入电脑,开机,
这个问题在这里已经有了答案:Unabletoinstallgem-Failedtobuildgemnativeextension-cannotloadsuchfile--mkmf(LoadError)(17个答案)关闭9年前。嘿，我正在尝试在一台新的ubuntu机器上安装rails。我安装了ruby和rvm，但出现“无法构建gemnative扩展”错误。这是什么意思？$sudogeminstallrails-v3.2.9(没有sudo表示我没有权限)然后它会输出很多“获取”命令，最终会出现这个错误:Buildingnativeextensions.Thiscouldtakeawhi
我想知道如何从Apple.p12文件中提取key。根据我有限的理解，.p12文件是X504证书和私钥的组合。我看到我遇到的每个.p12文件都有一个X504证书和至少一个key，在某些情况下有两个key。这是因为每个.p12都有一个Apple开发人员key，有些还有一个额外的key(可能是Appleroot授权key)。我只考虑那些具有两个key的.p12文件是有效的。我的目标是区分具有一个key的.p12文件和具有两个key的.p12文件。到目前为止，我已经使用OpenSSL来检查X504文件和任何.p12的key。例如，我有这段代码可以检查目录中的所有.p12文件:Dir.glob(