WSL2深度学习环境搭建：在Windows上无缝开发调试Qwen3.5-2B项目-程序员充电站

WSL2深度学习环境搭建：在Windows上无缝开发调试Qwen3.5-2B项目

1. 为什么选择WSL2进行深度学习开发

对于Windows用户来说，深度学习开发一直是个痛点。传统方案要么性能低下，要么配置复杂。WSL2（Windows Subsystem for Linux）的出现彻底改变了这一局面。它让你能在Windows上运行完整的Linux内核，直接访问GPU资源，性能接近原生Linux系统。

用WSL2开发Qwen3.5-2B这类大模型项目有几个明显优势：

无需双系统切换，开发调试都在熟悉的Windows环境下进行
可以直接使用Linux生态的工具链和开发环境
GPU加速支持完善，训练推理效率高
与Windows文件系统无缝互通，数据交换方便

2. 环境准备与WSL2安装

2.1 系统要求检查

在开始前，请确保你的Windows系统满足以下要求：

Windows 10版本2004或更高，或Windows 11
至少16GB内存（推荐32GB以上）
NVIDIA显卡（需支持CUDA）
至少50GB可用磁盘空间

2.2 安装WSL2

打开PowerShell（管理员身份），依次执行以下命令：

# 启用WSL功能 dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart # 启用虚拟机平台功能 dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart # 重启计算机 Restart-Computer

重启后，将WSL2设为默认版本：

wsl --set-default-version 2

2.3 安装Linux发行版

建议选择Ubuntu 20.04 LTS或22.04 LTS：

# 查看可用发行版 wsl --list --online # 安装Ubuntu 22.04 wsl --install -d Ubuntu-22.04

安装完成后，首次启动会提示设置用户名和密码。

3. WSL2优化配置

3.1 内存与交换空间调整

在Windows用户目录下创建或修改.wslconfig文件：

[wsl2] memory=16GB # 根据你的内存调整 swap=8GB localhostForwarding=true

3.2 文件系统性能优化

WSL2的跨系统文件访问性能较差，建议：

将项目代码放在WSL2的文件系统中（如/home/username）
需要与Windows共享的文件放在/mnt/c等挂载点

3.3 安装基础开发工具

在WSL2中执行：

sudo apt update && sudo apt upgrade -y sudo apt install -y build-essential git curl wget python3-pip

4. GPU环境配置

4.1 安装Windows端NVIDIA驱动

访问NVIDIA官网下载最新驱动
安装时勾选"清洁安装"选项

4.2 验证CUDA支持

在WSL2中运行：

nvidia-smi

如果看到GPU信息，说明驱动安装成功。

4.3 安装CUDA Toolkit

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600 wget https://developer.download.nvidia.com/compute/cuda/12.3.0/local_installers/cuda-repo-wsl-ubuntu-12-3-local_12.3.0-1_amd64.deb sudo dpkg -i cuda-repo-wsl-ubuntu-12-3-local_12.3.0-1_amd64.deb sudo cp /var/cuda-repo-wsl-ubuntu-12-3-local/cuda-*-keyring.gpg /usr/share/keyrings/ sudo apt-get update sudo apt-get -y install cuda

4.4 安装cuDNN

从NVIDIA官网下载cuDNN库，然后：

tar -xzvf cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz sudo cp cuda/include/cudnn*.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

5. Qwen3.5-2B项目环境搭建

5.1 创建Python虚拟环境

python3 -m venv ~/qwen-env source ~/qwen-env/bin/activate

5.2 安装PyTorch与依赖

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install transformers accelerate sentencepiece

5.3 下载Qwen3.5-2B模型

git lfs install git clone https://huggingface.co/Qwen/Qwen1.5-2B

6. VS Code远程开发配置

6.1 安装必要扩展

在VS Code中安装：

Remote - WSL
Python
Pylance

6.2 连接WSL2环境

打开VS Code
点击左下角绿色图标 > "New WSL Window"
打开WSL中的项目目录

6.3 配置Python解释器

按Ctrl+Shift+P，输入"Python: Select Interpreter"
选择~/qwen-env/bin/python

7. 调试与性能优化

7.1 基础使用示例

创建test.py：

from transformers import AutoModelForCausalLM, AutoTokenizer model_path = "Qwen1.5-2B" tokenizer = AutoTokenizer.from_pretrained(model_path) model = AutoModelForCausalLM.from_pretrained(model_path, device_map="auto") input_text = "介绍一下人工智能" inputs = tokenizer(input_text, return_tensors="pt").to("cuda") outputs = model.generate(**inputs, max_new_tokens=50) print(tokenizer.decode(outputs[0], skip_special_tokens=True))

7.2 常见问题解决

问题1：CUDA out of memory

减小max_new_tokens
使用model.half()减少显存占用

问题2：WSL2磁盘空间不足

清理apt缓存：sudo apt clean
扩展虚拟硬盘：wsl --shutdown后调整.vhdx文件大小

8. 总结与下一步

经过以上步骤，你已经成功在Windows上通过WSL2搭建了完整的Qwen3.5-2B开发环境。这套方案的优点在于既保留了Windows的易用性，又获得了Linux的开发体验和GPU加速能力。

实际使用中，建议：

定期更新WSL2和NVIDIA驱动
对重要数据做好备份
大型训练任务可以考虑使用星图平台的云资源

下一步可以尝试：

微调Qwen3.5-2B模型
开发基于该模型的应用程序
探索量化等优化技术

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

WSL2深度学习环境搭建：在Windows上无缝开发调试Qwen3.5-2B项目