WSL2 与 Miniconda3 组合：Windows 上高效搭建 Python 与 PyTorch 开发环境

Windows 上做数据科学或机器学习的朋友大概率都经历过这种拧巴代码是在 Linux 下写的依赖文档按 Linux 给可自己手头只有 Windows。以前要么装双系统要么开虚拟机要么硬着头皮在 Windows 里折腾编译器和 DLL每一步都在消磨耐心。后来我切到 WSL 2 Miniconda3 这套组合才真正觉得 Windows 上跑 Python 开发是顺的。WSL 给你一个近乎原生的 Linux 子系统Miniconda3 则把 Python 版本、包依赖、虚拟环境管理得明明白白两者配合等于把网上 90% 的 Linux 教程直接搬到 Windows 上照抄。这篇就来完整走一遍从装好 WSL到装好 Miniconda3再到创建 conda 环境、接入 VSCode 和 PyCharm顺带把 PyTorch 和 CUDA 在 WSL 下的配置一起说清楚。内容按实操顺序来适合刚开始用 WSL 的入门者也适合已经在 Windows 上装过 Anaconda、想迁移到 WSL 的开发者。1. 为什么选择 WSL Miniconda3 这个组合1.1 WSL 不是虚拟机它是 Windows 和 Linux 之间的“轻量通道”很多人第一次听到 WSL第一反应是“这不就是个虚拟机吗”。还真不是。WSL 2 底层虽然用到了虚拟化技术但它和传统虚拟机有本质区别。你不用单独安装完整的 Linux 桌面不用划分硬盘空间不用忍受开机先启动虚拟机的等待。打开终端输入wsl几秒钟就能进入一个 Ubuntu 环境和 Windows 文件系统还能互相访问体验上更像“在 Windows 里内嵌了一个 Linux 运行时”。WSL 2 的另一个关键优势是 GPU 直通。NVIDIA 驱动在 Windows 侧装好后WSL 里的 Linux 程序可以直接调用显卡跑 PyTorch 的 CUDA 训练完全没问题性能损失很小。这对于做深度学习的人来说是决定性的以前想在 Windows 上跑 GPU 训练要么用 WSL1不支持、要么在 Windows 侧装 CUDA 版 PyTorch经常遇到版本匹配地狱现在 WSL2 一开直接用 Linux 版 PyTorch省一大半事。还有一个容易被忽略的点WSL 里的环境坏了重置成本极低。我经常遇到 conda 环境被我折腾坏的情况在传统虚拟机里可能要回滚快照在 WSL 里直接删掉环境重建就行几分钟搞定。这种“随便折腾”的底气也是它适合做开发环境的重要原因。1.2 为什么是 Miniconda而不是 Anaconda 或裸 Python如果你之前用过 Anaconda应该体会过装完以后磁盘被塞进几百个包、启动还要转圈的感觉。Anaconda 定位是一站式全家桶开箱即用但代价是臃肿。Miniconda 只保留 conda、Python、必要的依赖体积只有几十 MB其余包你需要什么装什么。实话说做开发两年以后我越来越倾向 Miniconda因为每个项目要的依赖组合不一样全家桶里大部分包根本用不到留着还会增加环境冲突概率。和“裸 Python”相比Miniconda 的核心优势是环境隔离。我可以同时维护一个 Python 3.8 的老项目和一个 Python 3.12 的新项目各自有独立的 site-packages互不干扰。这在 Windows 直接装 Python 的场景里很难做到因为你往往只有一个全局 Python升级或装包很容易搞乱。conda 还能处理很多带编译依赖的包比如 numpy、scipy、pandas 的二进制依赖关系比 pip 在 Windows 上的表现稳得多。所以我的建议很直接Windows 上做 Python 开发尤其是数据科学和机器学习方向最省心的组合就是 WSL 2 Miniconda3。环境干净、社区资料多、和团队协作时也能保持一致路径。2. 先把 WSL 环境备好安装、升级、离线兜底2.1 确认 Windows 版本和虚拟化开关装 WSL 前先看一眼系统版本Win10 200420H1及以上或 Win11 都支持 WSL2Win11 在 WSL 的体验上更丝滑比如文件路径转换、网络代理继承都做得更好。如果系统比较老先更新到支持的版本不然装到一半会碰到各种兼容坑。然后确认虚拟化是否开启。打开任务管理器切到“性能”选项卡看右下角“虚拟化”这一项是否为“已启用”。如果显示“已禁用”需要进 BIOS 开启 Intel VT-x 或 AMD SVM。这一步很多人容易忽略虚拟化没开的话WSL2 装好也起不来提示里多少带点摸不着头脑。顺带一提如果之前用过 Docker Desktop 或其他虚拟机软件虚拟化一般已经开着可以跳过。在 PowerShell 里输入wsl --status可以看到当前的 WSL 版本信息。如果提示“未安装”说明系统还没有启用 WSL 功能进入下一步。2.2 常规安装一条 wsl --install 与手动启用功能最简单的方式就是用管理员身份打开 PowerShell执行wsl --install这条命令会自动启用 WSL 2 相关功能、安装 VM 虚拟机平台、下载并安装默认的 Ubuntu 发行版。装完按提示重启进入 Ubuntu 后设置一个 Linux 用户名和密码就行。整个过程对新手来说是最友好的不需要记什么复杂参数。如果你在执行wsl --install时遇到“无法下载发行版”或长时间卡在“正在下载”界面别死磕这一条路。手动启用功能也可以达到同样效果dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart两条命令跑完重启电脑然后从 Microsoft Store 搜索 Ubuntu 22.04 LTS 或 Ubuntu 24.04 LTS 安装。装完以后在 PowerShell 执行wsl --set-default-version 2把默认版本固定为 WSL2。如果之前装过 WSL1 发行版可以用wsl --set-version 发行版名 2做版本转换。从 Microsoft Store 安装的时候要注意商店页面卡“正在下载”是经常见的事。这种情况我会优先用命令行直接指定发行版安装wsl --install -d Ubuntu-22.04这个命令走的是命令行下载通道有时候比商店界面更稳。如果系统提示 “没有匹配的发行版”先执行wsl --list --online看可用发行版列表确认名称再装。2.3 安装慢、更新报错时的离线方案WSL 安装和更新过程里最让人头疼的就是网络问题。“wsl --update 更新慢”“无法与服务器建立连接”“错误 0x80072ee7”这类报错我踩过不止一次。处理思路分两条线一是给网络换个合适的链接试试比如断开 Wi-Fi 换手机热点或重启路由器换个 IP 通道二是直接走离线方案绕开在线下载这个环节。离线安装 WSL2 内核的思路是这样的去微软官网下载 “WSL2 Linux 内核更新包”下载完双击安装就能把 WSL2 内核先补上核心组件不会再依赖在线更新。然后发行版也走离线导入——在任何一台已经装好 WSL 的机器上用wsl --export Ubuntu-22.04 ubuntu.tar导出一个发行版备份把 tar 文件拷到目标机器上再用wsl --import Ubuntu-22.04 C:\wsl\ubuntu .\ubuntu.tar完成导入。这一招特别适合那些wsl --install一直转圈、网络环境又不太稳定的情况。导入后的发行版首次启动可能需要重置用户密码或重新创建默认用户但整体不影响使用。还有一种便宜的办法手动从 Microsoft Store 网页端下载 Ubuntu 的 .msixbundle / .appx 离线包然后在 PowerShell 里用Add-AppxPackage安装。这条路相对繁琐但确实能解决商店下载卡死的问题属于真正的离线兜底方案。提示离线导入的发行版默认以 root 身份登录后续conda装出来的环境默认也在 root 下和在线安装的体验稍有区别。建议导入后立刻sudo passwd 用户名创建普通用户并用普通用户日常操作。3. 在 WSL 里安装 Miniconda3 并完成基础配置3.1 下载安装包与静默安装进入 WSL 终端后先确认系统是 64 位然后下载 Miniconda 的 Linux 安装脚本。官网地址是wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh如果在国内网络下官网下载速度不理想直接换清华镜像源wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh清华源和官方源数据同步做得不错版本基本一致下载速度快很多。下载完成后先检查一下文件大小正常情况下应该在 100MB 左右如果只有几 KB说明下载没成功别急着执行。执行安装bash Miniconda3-latest-Linux-x86_64.sh脚本会依次弹协议、安装路径、初始化提示。一路按回车或输入 yes 即可。默认安装路径是/home/用户名/miniconda3建议保持默认不要用sudo来运行安装脚本否则会把文件所有权搞成 root后面操作全要 sudo非常麻烦。还有一个静默安装模式适合不想交互或者要批量部署的场景bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3安装脚本结束时会出现一句 “Do you wish the installer to initialize Miniconda3...”选 yes它会自动往.bashrc里写入 conda 初始化代码省得后面手动配。3.2 初始化 shell 与验证 conda安装完成后建议直接关掉当前终端重新开一个或者执行source ~/.bashrc让 shell 重新加载配置。这时候命令行前面应该出现(base)前缀说明 conda 已经被激活。如果没出现手动执行一下初始化conda init bash然后重启终端。如果用的不是 bash 而是 zsh就换成conda init zsh。这一步看似简单但很多人装完发现conda: command not found90% 的原因是没做 shell 初始化。验证是否安装成功conda --version python --version whereis conda前两条命令能正常输出版本号说明核心组件可用。whereis conda能看到 conda 可执行文件的位置正常情况下应该在/home/用户名/miniconda3/bin/conda。这里有个小细节WSL 里本来可能自带一个系统 Python比如 Ubuntu 自带的 Python 3.10装了 Miniconda 后一定要确认python指向的是 conda 环境里的 Python而不是/usr/bin/python3。方法是看which python的输出路径如果指向/usr/bin/python3说明 PATH 优先级有问题检查.bashrc里 conda 初始化代码是否在 PATH 追加之前执行。3.3 换镜像源conda 和 pip 都要改conda 默认走的是官方源在部分网络环境下速度和稳定性都一般。我建议安装完立刻换清华源避免后面conda install卡半天。用命令生成.condarc配置文件conda config --set show_channel_urls yes然后编辑~/.condarc写入以下内容channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud保存后执行conda clean -i清除索引缓存让新源生效。验证源是否切换成功可以执行conda config --show channelspip 的源也要一起换掉因为后面很多包尤其是纯 Python 包我会习惯用 pip 装如果 pip 还走默认源体验会很割裂pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip config set global.extra-index-url https://pypi.org/simple这里设置 extra-index-url 是为了防止清华源上没有的冷门包还能从官方源补拉实测下来比较稳。4. 用 conda 搭建 PyTorch 与数据科学环境4.1 环境创建与包安装的基本流程Miniconda 装好以后建议别在 base 环境里直接装一堆包而是为每个项目或技术栈建独立环境。我个人习惯的命名方式是按框架或项目来比如pytorch、nlp、web。创建环境conda create -n pytorch python3.10 -y指定 Python 版本这一步很重要不要偷懒省略。不同深度学习项目和 PyTorch 版本对 Python 版本的支持不一样比如老项目可能只支持 Python 3.8新版本 PyTorch 则推荐 3.9 到 3.12。显式指定版本可以避免后续“Python 版本不匹配”的尴尬。激活环境conda activate pytorchWindows 下装完 Anaconda激活环境的命令是activate pytorch但在 WSL 的 Linux shell 里要用conda activate pytorch。如果提示命令不存在多半是 conda init 没做好回到上一节检查。环境建好以后需要什么装什么。数据科学常用的一套可以直接conda install -n pytorch numpy pandas scipy matplotlib jupyter -y这里加-n指定环境名是为了防止当前未激活时误装到 base。另一个建议是大体积的编译型包用 conda 装比如 numpy、scipy、pandas因为 conda 源里的二进制包依赖关系更完整而纯 Python 小工具包比如 requests、tqdm、transformers 里的部分依赖用 pip 装更快更省事。4.2 WSL 下 PyTorch 和 CUDA 的真机验证深度学习用户最关心的一步来了。在 WSL 2 里做 GPU 加速有个基本认知要先纠正一下不要在 WSL 内部安装 NVIDIA 驱动也不要去 WSL 里跑nvidia-smi就担心驱动不存在。WSL2 的 GPU 直通方案是 Windows 侧安装驱动WSL 内部直接调用。你在 Windows 上装好显卡驱动后进入 WSL 终端执行nvidia-smi如果能看到显卡型号、驱动版本和显存信息说明 GPU 已经可以被 WSL 访问。这是后面跑 PyTorch 的前提。然后激活 pytorch 环境按照 PyTorch 官网给出的安装命令来装以 CUDA 12.1 为例conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia -y这里-c pytorch -c nvidia指定了额外频道如果之前换过清华源conda-forge 和 pytorch 都有镜像安装速度会快很多。如果 conda 解析依赖老半天有一个替代方案是直接用 pippip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121安装完成后用一段最小代码验证 GPU 可用性import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0)) a torch.randn(1000, 1000).cuda() b torch.randn(1000, 1000).cuda() c torch.matmul(a, b) print(c.sum().item())如果第一行正常输出版本号、torch.cuda.is_available()返回 True最后矩阵乘法也能算出结果说明 PyTorch 已经在 WSL2 里用上了显卡。整个 WSL 里的 CUDA 体验和原生 Linux 基本一致这也是 WSL2 在深度学习场景里最大的价值。注意WSL 里torch.cuda.is_available()返回 False优先排查三件事——Windows 侧驱动是否升级到支持 WSL2 的版本、装的 PyTorch 是不是 CUDA 版CPU 版虽然也能装但返回值就是 False、环境是否真的激活了。4.3 conda 和 pip 怎么配合比较顺手实际开发中 conda 和 pip 并用是常态但要掌握好先后顺序否则容易踩进依赖冲突的坑。我的经验是优先用 conda 安装核心的、带二进制依赖的包torch、numpy、pandas、scipy、opencv 等这些包在 conda 源里往往有编译好的版本依赖关系也通过 conda 统一管理纯 Python 写的小工具包tqdm、requests、beautifulsoup4 等用 pip 装速度快且包版本通常更新。这样做的好处是避免 pip 装的东西覆盖 conda 管理的二进制包导致libstdc之类底层库被替换到不可控版本。如果你在安装大包时遇到 conda 长时间卡在 “Solving environment...”可以试试 mambaconda install mamba -n base -c conda-forge -y mamba install -n pytorch pytorch torchvision -c pytorch -c nvidiamamba 是并行解析依赖的加速版 conda实测在很多复杂依赖场景下能把时间从几分钟压缩到十几秒属于“早用早享受”的提速神器。5. 把 WSL 里的 conda 环境接到 Windows IDE5.1 VSCode 的一键连接与解释器选择环境配好以后日常开发总不能在纯黑终端里敲代码所以要和 Windows 侧的 IDE 打通。VSCode 是我日常的主力也是和 WSL 配合最顺滑的编辑器。先在 Windows 侧安装 VSCode然后装一个关键扩展Remote Development里面包含 Remote-WSL、Remote-SSH 等。装好后VSCode 左下角会出现一个绿色或蓝色的 “” 图标点它选择 “Connect to WSL”或者直接在当前窗口按CtrlShiftP输入 “WSL: Connect to WSL” 回车。VSCode 会重新启动一个窗口左下角显示 “WSL: Ubuntu”说明已经连上 WSL 环境。这时候打开你的项目文件夹正常情况下项目文件可以直接读取。接着配置 Python 解释器CtrlShiftP输入 “Python: Select Interpreter”在弹出的列表里选择我们刚才创建的 conda 环境。它的路径一般是/home/用户名/miniconda3/envs/pytorch/bin/python如果列表里没显示点 “Enter interpreter path” 手动填这个路径。选好之后VSCode 底部状态栏会显示当前的 Python 环境终端也能直接执行conda activate pytorch运行代码、调试、看变量体验和在 Linux 本地开发没有区别。还有一个小技巧在 WSL 终端里直接输入code .VSCode 会自动用 Remote-WSL 的方式打开当前目录省去手动连接的步骤非常顺手。5.2 PyCharm 里配置 WSL 解释器如果你是 PyCharm 用户思路类似但细节不同。JetBrains 家的 PyCharm 只有 Professional 版支持 WSL 解释器Community 版没有这个选项。如果手头是专业版配置路径是打开 Settings - Project - Python Interpreter - Add Interpreter - WSL选择刚才安装的 Ubuntu 发行版然后在路径输入/home/用户名/miniconda3/envs/pytorch/bin/pythonPyCharm 会自动识别 conda 环境。保存后项目就能用 WSL 里的 Python 运行和调试。但 PyCharm Community 版的用户也不少也不一定要换 IDE。有一个替代方案是在 WSL 里用命令行开发或者直接使用 VSCode。再或者把 PyCharm 的项目目录放到 Windows 侧然后用 WSL 终端运行脚本虽然少了图形化调试但运行环境是 WSL 里的 conda核心需求还是能满足的。如果一定要在 PyCharm 里调试也可以配置 Remote SSH 解释器把 Windows 侧的 WSL 看作一个远程 Linux 环境来连但前提是要先给 WSL 配好 SSH 服务这一步操作成本稍高非重度 PyCharm 用户没必要折腾。5.3 Jupyter Notebook 与文件互访细节数据科学开发离不开 Jupyter。在 WSL 里启动 Jupyterconda activate pytorch jupyter notebook --no-browser --port8888启动后终端会输出一个带 token 的 URL把localhost:8888那串复制到 Windows 浏览器里打开就行。如果嫌每次复制麻烦可以设置jupyter notebook password设置一个固定密码以后启动就直接打开http://localhost:8888输密码进入体验顺畅很多。VSCode 这边还有更轻量的方案装好 Python 和 Jupyter 扩展后在 VSCode 里直接新建.ipynb文件选择内核为 WSL 里的 conda 环境就能在编辑器内部运行 cell 并看到图表输出不需要额外开浏览器。文件互访也是 WSL 用户的高频需求。WSL 里访问 Windows 文件路径是/mnt/c/...Windows 访问 WSL 文件在资源管理器地址栏输入\\wsl$\Ubuntu就能进到 WSL 的 Linux 文件系统。但实际操作中注意一点项目代码和 conda 环境路径尽量放在 Linux 文件系统内也就是~/下面因为 /mnt/c 走的网络文件系统和本地 I/O 性能差距明显尤其是跑深度学习训练、大数据处理时慢得让人怀疑人生。我把这个原则总结为代码和依赖在 Linux 侧纯数据文件可以放 Windows 侧用软链接指过去。6. 高频报错与避坑实录6.1 WSL 层面的常见问题速查WSL 本身也会出各种幺蛾子。这里把经常遇到的报错和解决思路整理成一张表方便直接对号入座报错现象可能原因解决办法wsl --install一直停在下载界面网络链路问题换网络、重启路由器、改用命令手动装发行版wsl --update报“无法与服务器建立连接”WSL 在线更新失败手动下载 WSL2 内核更新包安装或用离线包导入发行版打开 Ubuntu 卡在黑屏或加载界面虚拟化未开启 / WSL 版本混乱检查 BIOS 虚拟化开关、执行wsl --shutdown后重启、确认默认版本是 2提示 “WSL needs updating”内核或系统组件过旧运行wsl --update或安装最新 WSL2 内核更新包wsl --set-version转换失败虚拟化平台未启用执行dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart遇到 WSL 整体卡顿或状态异常别急着重装先执行wsl --shutdown等几秒再重新进入能解决很多“说不清道不明”的临时故障。如果某个发行版彻底起不来可以用wsl --unregister Ubuntu-22.04注销再重新导入或安装但注意这样会清空 WSL 内的数据操作前先备份代码和环境文件。6.2 conda 环境里的常见坑conda 命令找不到是最常见的新手问题。前面说过先source ~/.bashrc再conda init bash。如果是在 VSCode 终端里出现这个问题可能是 VSCode 默认 shell 不是交互式 bash在设置里搜 “Default Profile” 改成WSL Bash就能解决。还有个坑也经常出现在/mnt/c目录下执行conda create结果要么特别慢要么提示文件权限或锁问题。原因就是跨文件系统创建环境时conda 要频繁读写大量小文件性能很差且权限语义和 Linux 本地不同。解决办法很简单先cd ~到 Linux 文件系统下创建环境再回到项目目录激活使用。另外conda 的Solving environment...卡死也是个经典问题。除了换 mamba还可以在创建环境时指定-c conda-forge或者先把 channel 优先级设置成 strictconda config --set channel_priority strict设置后依赖解析策略会明确很多不少卡解析的场景立竿见影。如果 conda 缓存占用磁盘过大定期执行conda clean --all -y清理已下载的安装包和索引缓存能省出几个 GB 的空间。6.3 提升日常使用体验的小习惯最后分享几个我长期使用下来的习惯能让整套环境用起来更舒服。第一把 conda 环境的初始化不要默认进 base。我实话说不太喜欢一开终端就自动激活 base因为容易在项目目录以外误装包。可以在~/.bashrc里把conda activate那行注释掉改成安装了以后再手动conda activate或者设成自动激活某个常用环境。第二常驻一个 tmux 或 screen 在 WSL 里跑长任务。有时候训练模型要跑几小时终端窗口一关进程就没了。在 WSL 里用tmux new -s train把训练任务放进去关掉终端也没关系下次重新进 WSL 用tmux attach -t train就能看到任务还在跑。这是 Linux 环境下和 WSL 配合得很好的隐藏技能。第三养成环境导出的习惯。每个项目做完执行conda env export environment.yml把环境依赖文件提交到代码仓库里。下次换电脑或同事协作一条命令conda env create -f environment.yml就把整个环境复现出来。这也是 conda 相比 pip 在可复现性上的核心优势强烈建议从第一次建环境就养成这个习惯。从我个人的体验来看WSL 2 Miniconda3 的组合真正解决了 Windows 上做 Python / 深度学习开发“环境难搞”的痛点。刚开始装的时候可能会被网络、更新、初始化这些小问题绊几下但这些都属于一次性成本花一晚上把环境理顺后面日常开发就再也不用为了兼容性浪费生命。最后一个小提醒WSL 环境虽然好用但别忘了它是 Windows 里的子系统重要的代码和项目数据最好定期备份到 Windows 侧或云端毕竟wsl --unregister只需要一条命令整个 Linux 文件系统就不见了。环境可以随便折腾数据要认真对待。