本文主要是介绍WSL AI工具以及开发环境的准备，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- 安装VSCode，Visual Studio 或者 Jetbrain
- 安装CUDA和CUDNN
- 准备WSL环境
- 1. 安装WSL
- 2. 为WSL准备CUDA的Toolkits
- 安装Miniconda
- 一些值得安装的Dockers镜像
- 1. Tensorflow-GPU
- 2. LabelStudio
随着技术进步与完备，现在利用Windows进行AI或者算法原型的开发和研究已经逐渐成为一种可选项，甚至是一种极其推荐的方式。如果你本人对此也有兴趣，那么下面这些内容可能会对你有所帮助。
安装VSCode，Visual Studio 或者 Jetbrain
VSCode 是比较推荐的IDE，不仅因为它免费，更重要是因为它有诸多强大的可供选择插件。如果你需要开发C程序，并且想使用VSCode作为你的主力开发工具，你还需要为此安装和准备CMake
https://cmake.org/download/
当然 Visual Studio 也是可以考虑的选项，如果你没钱支付高昂的授权费，那么可以安装Community Edition的版本
https://visualstudio.microsoft.com/downloads/
如果预算比较充足，考虑Jetbrain全家桶也是可行的。
https://www.jetbrains.com/zh-cn/
安装CUDA和CUDNN
CUDA已经是目标AI或者并行计算的事实上的标准，所以如果你的电脑有Nvidia的显卡，那么你应该为你的环境准备一下CUDA和CUDNN。
首先从下面的链接，安装CUDA
https://developer.nvidia.com/cuda-toolkit
然后安装CUDNN
https://developer.nvidia.cn/cudnn
准备WSL环境
当这些都准备完毕后，可以考虑安装WSL，也就是Windows的Linux子系统，你需要依次执行下面的过程。
1. 安装WSL
如果没有安装过WSL，那么首先你需要先打开Powershell，或者CMD，然后输入
wsl --install
这个过程一般需要耗费一点时间，并为你的系统安装所需的全部组件。之后，建议你把WSL设置为版本2.
wsl --set-default-version 2
若要指定运行 Linux 发行版的 WSL 版本（1 或 2），请将 替换为发行版的名称，并将 替换为 1 或 2。 比较 WSL 1 和 WSL 2。 WSL 2 仅在 Windows 11 或 Windows 10 版本 1903、内部版本 18362 或更高版本中可用。
然后安装Linux子系统，这里推荐 Ubuntu-22.04
wsl --install -d Ubuntu-22.04
但是你依然可以执行以下命令，查看其他可选项
wsl --list --online
另外，你可使用下面的命令查看在本地安装好的Linux子系统
wsl --list --verbose
关于更多的详细操作，你也可以参考Microsoft的官网
https://learn.microsoft.com/zh-cn/windows/wsl/basic-commands#list-available-linux-distributions
2. 为WSL准备CUDA的Toolkits
安装好WSL后，建议你再次回到Nvidia的CUDA页面，下载WSL的工具包。因为你将能够在Windows直接体验到类似在Linux上编写CUDA代码的乐趣，或者运行某些模型的时候，会需要你安装WSL的CUDA工具包。
对了，安装完毕后，你有可能需要配置一下PATH环境，把下面的这段代码贴到.bashrc文件中。
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
当安装完毕后，可以在子系统中编写下面的CUDA代码，并用NVCC工具编译。它可以检查你当前的系统有那些GPU计算卡可以使用，并进行一个简单的矩阵加法运算。
#include "cuda_runtime.h"
#include "device_launch_parameters.h"#include <stdio.h>cudaError_t addWithCuda(int *c, const int *a, const int *b, unsigned int size);__global__ void addKernel(int *c, const int *a, const int *b) {int i = threadIdx.x;c[i] = a[i] + b[i];
}int chooseCudaDevice() {int deviceCount;cudaGetDeviceCount(&deviceCount);if (deviceCount == 0) {fprintf(stderr, "No CUDA devices found!\n");return -1;}printf("Available CUDA devices:\n");for (int i = 0; i < deviceCount; ++i) {cudaDeviceProp prop;cudaGetDeviceProperties(&prop, i);printf("%d: %s\n", i, prop.name);}int deviceChoice;printf("Select the device number to use: ");if (scanf("%d", &deviceChoice) != 1 || deviceChoice < 0 || deviceChoice >= deviceCount) {fprintf(stderr, "Invalid device choice!\n");return -1;}return deviceChoice;
}int main() {const int arraySize = 5;const int a[arraySize] = {1, 2, 3, 4, 5};const int b[arraySize] = {10, 20, 30, 40, 50};int c[arraySize] = {0};int selectedDevice = chooseCudaDevice();if (selectedDevice == -1) {return 1;}// Add vectors in parallel using the selected device.cudaError_t cudaStatus = cudaSetDevice(selectedDevice);if (cudaStatus != cudaSuccess) {fprintf(stderr, "cudaSetDevice failed! Do you have a CUDA-capable GPU installed?");return 1;}cudaStatus = addWithCuda(c, a, b, arraySize);if (cudaStatus != cudaSuccess) {fprintf(stderr, "addWithCuda failed!");return 1;}printf("{1,2,3,4,5} + {10,20,30,40,50} = {%d,%d,%d,%d,%d}\n",c[0], c[1], c[2], c[3], c[4]);// cudaDeviceReset must be called before exiting in order for profiling// and tracing tools such as Nsight and Visual Profiler to show complete traces.cudaStatus = cudaDeviceReset();if (cudaStatus != cudaSuccess) {fprintf(stderr, "cudaDeviceReset failed!");return 1;}return 0;
}cudaError_t addWithCuda(int *c, const int *a, const int *b, unsigned int size) {int *dev_a = 0;int *dev_b = 0;int *dev_c = 0;cudaError_t cudaStatus;// Allocate GPU buffers for three vectors (two input, one output).cudaStatus = cudaMalloc((void **) &dev_c, size * sizeof(int));if (cudaStatus != cudaSuccess) {fprintf(stderr, "cudaMalloc failed!");goto Error;}cudaStatus = cudaMalloc((void **) &dev_a, size * sizeof(int));if (cudaStatus != cudaSuccess) {fprintf(stderr, "cudaMalloc failed!");goto Error;}cudaStatus = cudaMalloc((void **) &dev_b, size * sizeof(int));if (cudaStatus != cudaSuccess) {fprintf(stderr, "cudaMalloc failed!");goto Error;}// Copy input vectors from host memory to GPU buffers.cudaStatus = cudaMemcpy(dev_a, a, size * sizeof(int), cudaMemcpyHostToDevice);if (cudaStatus != cudaSuccess) {fprintf(stderr, "cudaMemcpy failed!");goto Error;}cudaStatus = cudaMemcpy(dev_b, b, size * sizeof(int), cudaMemcpyHostToDevice);if (cudaStatus != cudaSuccess) {fprintf(stderr, "cudaMemcpy failed!");goto Error;}// Launch a kernel on the GPU with one thread for each element.addKernel<<<1, size>>>(dev_c, dev_a, dev_b);// Check for any errors launching the kernel.cudaStatus = cudaGetLastError();if (cudaStatus != cudaSuccess) {fprintf(stderr, "addKernel launch failed: %s\n", cudaGetErrorString(cudaStatus));goto Error;}// cudaDeviceSynchronize waits for the kernel to finish, and returns any errors.cudaStatus = cudaDeviceSynchronize();if (cudaStatus != cudaSuccess) {fprintf(stderr, "cudaDeviceSynchronize returned error code %d after launching addKernel!\n", cudaStatus);goto Error;}// Copy output vector from GPU buffer to host memory.cudaStatus = cudaMemcpy(c, dev_c, size * sizeof(int), cudaMemcpyDeviceToHost);if (cudaStatus != cudaSuccess) {fprintf(stderr, "cudaMemcpy failed!");goto Error;}Error:cudaFree(dev_c);cudaFree(dev_a);cudaFree(dev_b);return cudaStatus;
}
安装Miniconda
之后下一步是配置Python的开发环境，推荐使用Miniconda，并且把相关环境安装到Windows中，而不是Linux子系统。究其原因是因为类似Jetbrain的全家桶，或者PyCharm之类的IDE并不支持WSL的CONDA环境。所以直接安装在Windows下会更好一些。如果在Linux子环境也存在需要运行Python程序的情况，可以依照Conda的官方说明，执行必要的安装过程。
https://docs.anaconda.com/miniconda/miniconda-install/
安装完CUDA后，可以开始考虑依次安装PyTorch或者Tensorflow，具体的安装过程可以参考官方说明
Meta 家的Torch
https://pytorch.org/
Google家的Tensorflow
https://www.tensorflow.org/
Intel家的OpenVino
https://www.intel.cn/content/www/cn/zh/developer/tools/openvino-toolkit/overview.html
百度家的paddlepaddle
https://www.paddlepaddle.org.cn/
由于你已经准备好了WSL，并且空间还冗余的话，那么可以考虑再装一个Docker。因为一些工具库，或者项目因为缺少维护或者其他原因，已经不能在较新版本的CUDA下运行。
一些值得安装的Dockers镜像
这里有一些比较值得你安装的Dockers镜像
1. Tensorflow-GPU
不知道为什么Google家的Tensorflow GPU版本的更新进度一直比CPU版本的要慢，因此使用Dockers镜像会更合适一些
docker pull tensorflow/tensorflow # latest stable release
docker pull tensorflow/tensorflow:devel-gpu # nightly dev release w/ GPU support
docker pull tensorflow/tensorflow:latest-gpu-jupyter # latest release w/ GPU support and Jupyter
我个人是比较推荐下载带Jupyter版本的镜像，主要使用起来比较方便，但是你也可以只使用GPU版本的。
运行带Jupyter版本的，可以执行下述指令：
docker run -it -p 8888:8888 tensorflow/tensorflow:latest-gpu-jupyter
然后在本地8888端口，就可以正常使用了。
2. LabelStudio
LabelStudio 是一个用来数据标记的工具，也是我比较推荐的。
docker pull heartexlabs/label-studio
关于配置Docker参数的一些信息，可以从官网找到
https://labelstud.io/
这篇关于WSL AI工具以及开发环境的准备的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
