Win11系统优化：为深度学习项目训练环境做准备

Win11系统优化：为深度学习项目训练环境做准备

如果你刚开始接触深度学习，可能会觉得在Windows上搭建训练环境有点麻烦。各种驱动、库、工具，装起来总是不太顺利。其实，只要把系统环境提前优化好，后面的路会顺畅很多。

我自己刚开始用Windows做深度学习时，也踩过不少坑。后来发现，很多问题其实都出在系统环境上——比如驱动没装对、系统设置没调好、或者开发工具没选对。今天这篇文章，我就把自己这些年积累的Windows 11系统优化经验分享给你，帮你把基础打牢，为后续的深度学习项目训练做好准备。

1. 为什么要在Windows上做深度学习？

很多人一提到深度学习，第一反应就是Linux。确实，Linux在服务器端是绝对的主流，但如果你是在个人电脑上学习、做实验，或者开发一些中小型项目，Windows其实是个很不错的选择。

Windows的优势很明显：界面友好、软件生态丰富、日常使用方便。你不用为了跑个代码，还得专门切换到另一个系统。而且现在的Windows 11，对开发者的支持也越来越好，特别是有了WSL2（Windows Subsystem for Linux 2）之后，你几乎可以在Windows上获得原生的Linux开发体验。

但Windows也有它的挑战：驱动兼容性、环境变量管理、性能调优，这些都需要你花点心思去处理。不过别担心，只要按照下面的步骤一步步来，你就能搭建出一个稳定、高效的深度学习开发环境。

2. 系统基础检查与更新

在开始任何优化之前，我们先确保系统本身是健康、最新的。

2.1 检查系统版本与激活状态

首先，确认你用的是正版Windows 11。你可以在微软官网下载官方镜像进行安装或升级。打开“设置” -> “系统” -> “关于”，查看你的Windows规格。确保版本号是较新的（比如23H2或更高），这样能获得最好的兼容性和性能。

2.2 安装所有系统更新

进入“设置” -> “Windows更新”，点击“检查更新”。把所有可用的质量更新、功能更新都安装上。这一步很重要，因为很多系统级的Bug修复和性能改进都包含在更新里。安装完成后，最好重启一次电脑。

2.3 检查硬件驱动

深度学习，尤其是用GPU训练，对硬件驱动的要求很高。我们需要确保显卡、主板芯片组等关键硬件的驱动都是最新的。

• 显卡驱动：如果你用的是NVIDIA显卡（这是深度学习的主流选择），直接去NVIDIA官网下载最新的Game Ready或Studio驱动。安装时选择“自定义安装”，并勾选“执行清洁安装”，这样可以避免旧驱动的残留文件造成冲突。
• 主板芯片组驱动：去你的电脑品牌官网（如戴尔、联想）或主板制造商官网（如华硕、微星），下载对应型号的最新芯片组驱动并安装。这能确保CPU、内存等核心部件以最佳状态运行。

3. 启用并配置WSL2

WSL2是微软为开发者提供的一个“神器”。它让你能在Windows里直接运行一个完整的Linux内核，而且性能损耗极低。对于深度学习来说，很多工具链和库在Linux下的兼容性更好，用WSL2可以完美解决这个问题。

3.1 启用WSL功能

以管理员身份打开Windows PowerShell（在开始菜单搜索“PowerShell”，右键选择“以管理员身份运行”），然后依次执行以下命令：

# 启用“适用于Linux的Windows子系统”可选功能 dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart # 启用“虚拟机平台”可选功能 dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

执行完这两个命令后，重启你的电脑。这是必须的步骤，否则后续操作无法继续。

3.2 安装WSL2内核更新包并设置默认版本

重启后，再次以管理员身份打开PowerShell。

1. 下载并安装WSL2 Linux内核更新包。你可以直接在微软官网搜索“WSL2 Linux kernel update package for x64 machines”找到下载链接。下载后直接运行安装即可。
2. 安装完成后，在PowerShell中运行以下命令，将WSL的默认版本设置为2：

   wsl --set-default-version 2

3.3 安装Linux发行版

现在，你可以从微软商店（Microsoft Store）安装你喜欢的Linux发行版了。对于深度学习新手，我强烈推荐Ubuntu，因为它的社区最活跃，遇到问题也最容易找到解决方案。

打开Microsoft Store，搜索“Ubuntu”，选择最新的LTS版本（比如Ubuntu 22.04 LTS）进行安装。安装完成后，在开始菜单找到它并启动。第一次启动会需要几分钟来初始化，并让你设置一个用户名和密码（这个密码是Linux系统的，和Windows密码无关，请务必记住）。

3.4 优化WSL2配置

为了让WSL2用起来更顺手，我们可以对它进行一些优化。在Windows用户目录下（通常是C:\Users\你的用户名），创建一个名为.wslconfig的文件（注意前面有个点），然后用记事本打开，填入以下内容：

[wsl2] # 限制WSL2使用的最大内存，避免它占用过多系统资源。根据你电脑的总内存来调整，比如32G内存可以设为8G或12G。 memory=8GB # 限制WSL2使用的CPU核心数。通常设置为总核心数的一半或三分之二，留一些给Windows系统和其他应用。 processors=4 # 启用本地主机转发，这样你可以在Windows的浏览器里直接访问WSL中运行的服务（比如Jupyter Notebook）。 localhostForwarding=true

保存文件后，在PowerShell中运行wsl --shutdown来关闭WSL，下次启动时配置就会生效。

4. 系统性能调优

深度学习训练是计算密集型任务，我们需要让系统把资源优先分配给这些“重活”。

4.1 电源计划设置为高性能

在开始菜单搜索“编辑电源计划”，点击进入。选择“高性能”计划。如果看不到这个选项，点击左侧的“创建电源计划”，然后选择“高性能”，给它起个名字（比如“深度学习模式”）并创建。

在创建的计划设置里，进入“更改高级电源设置”。找到“处理器电源管理”，将“最小处理器状态”和“最大处理器状态”都设置为100%。同时，将“系统散热方式”设置为“主动”，确保散热风扇会积极工作，防止CPU/GPU过热降频。

4.2 调整视觉效果以提升性能

右键点击“此电脑” -> “属性” -> “高级系统设置” -> “高级”选项卡 -> “性能”区域的“设置”。

在弹出的“性能选项”窗口中，选择“调整为最佳性能”。这会关闭Windows的大部分动画和视觉效果，虽然界面看起来没那么“炫”了，但能节省出不少系统资源给计算任务。如果你觉得界面太简陋，也可以选择“自定义”，然后只保留“平滑屏幕字体边缘”和“显示缩略图”等少数几项。

4.3 管理启动项和服务

过多的开机自启动程序会拖慢系统启动速度，并占用后台资源。按Ctrl + Shift + Esc打开任务管理器，切换到“启动”选项卡。把那些你不需要一开机就运行的程序（比如一些聊天软件、云盘客户端等）的“状态”设置为“禁用”。

对于服务，可以按Win + R，输入services.msc打开服务管理器。但这里需要谨慎操作，不建议新手随意禁用不认识的系统服务。一个更安全的方法是使用一些专业的系统优化工具（如微软官方的Autoruns）来查看和管理。

5. 安装与配置开发工具

工欲善其事，必先利其器。选对开发工具能极大提升效率。

5.1 代码编辑器/IDE

• Visual Studio Code (VSCode)：这是目前最受开发者欢迎的免费编辑器，对Python和WSL的支持堪称完美。去官网下载安装后，务必安装以下几个扩展：
  • Python(Microsoft出品)：提供代码补全、调试、linting等核心功能。
  • Remote - WSL(Microsoft出品)：让你能在VSCode里直接打开WSL中的文件夹进行开发，体验无缝衔接。
  • Jupyter(Microsoft出品)：如果你喜欢用Notebook做实验，这个扩展必不可少。
• PyCharm：如果你进行的是大型、复杂的项目开发，JetBrains的PyCharm Professional版（学生可以申请免费许可）提供了更强大的项目管理和重构工具。它也支持连接到WSL或远程解释器。

5.2 终端工具

Windows自带的终端（Windows Terminal）现在已经非常好用了。从微软商店安装它，并将其设置为默认终端。你可以在一个窗口里同时打开PowerShell、CMD和WSL Ubuntu等多个标签页，非常方便。

在WSL的Ubuntu终端里，我建议安装zsh和oh-my-zsh来美化并增强终端功能，但这属于可选的高级优化步骤。

5.3 版本控制：Git

深度学习项目离不开代码版本管理。在WSL的Ubuntu中，打开终端，运行：

sudo apt update sudo apt install git -y git config --global user.name "你的名字" git config --global user.email "你的邮箱"

这样，你就可以在WSL环境中使用Git来克隆项目、管理代码了。

6. 为GPU训练做准备（NVIDIA用户）

如果你的电脑有NVIDIA独立显卡，并且你想用它来加速深度学习训练，那么还需要一些额外的步骤。这部分稍微复杂一点，但一步一步来没问题。

6.1 在Windows中安装NVIDIA驱动

这一步我们在第2.3节已经做过了。确保你安装的是最新版的NVIDIA驱动。安装后，可以在CMD或PowerShell里输入nvidia-smi来验证驱动是否正常安装。这个命令会显示你的显卡型号、驱动版本以及GPU的使用情况。

6.2 在WSL2中安装NVIDIA CUDA工具包

WSL2的一个巨大优势是，它可以直接调用安装在Windows主机上的NVIDIA显卡驱动。所以，我们不需要在WSL里再装一遍显卡驱动，只需要安装CUDA工具包。

在WSL的Ubuntu终端中，执行以下命令来安装CUDA：

# 首先，更新包列表并安装一些基础工具 sudo apt update sudo apt install build-essential -y # 添加NVIDIA CUDA仓库的GPG密钥和仓库源 # 注意：以下命令适用于Ubuntu 22.04和CUDA 12.x，其他版本请参考NVIDIA官方文档 wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update # 安装CUDA工具包（这个版本是适用于WSL2的） sudo apt install cuda-toolkit-12-5 -y

安装完成后，将CUDA添加到环境变量中。编辑你的~/.bashrc文件：

nano ~/.bashrc

在文件末尾添加：

export PATH=/usr/local/cuda-12.5/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-12.5/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

然后按Ctrl+X，再按Y和回车保存退出。最后让配置生效：

source ~/.bashrc

现在，在WSL终端里输入nvcc --version，如果能看到CUDA编译器的版本信息，说明安装成功。

6.3 验证GPU在WSL中是否可用

让我们写一个简单的Python脚本来测试。首先在WSL中安装Python和PyTorch：

# 安装Python3和pip sudo apt install python3 python3-pip -y # 使用pip安装PyTorch（这里安装支持CUDA 12.1的版本，请根据你的CUDA版本调整） pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

然后创建一个测试文件test_gpu.py：

import torch print(f"PyTorch版本: {torch.__version__}") print(f"CUDA是否可用: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"CUDA版本: {torch.version.cuda}") print(f"显卡名称: {torch.cuda.get_device_name(0)}") # 做一个简单的张量运算，看是否在GPU上执行 x = torch.tensor([1.0, 2.0, 3.0]).cuda() print(f"张量所在设备: {x.device}") print("测试成功！GPU可以在WSL2中正常工作。") else: print("未检测到可用GPU。请检查驱动和CUDA安装。")

在WSL终端运行python3 test_gpu.py。如果一切顺利，你会看到你的显卡型号被正确识别，并确认CUDA可用。看到“测试成功”的那一刻，恭喜你，最复杂的一关已经过了！

7. 磁盘与存储优化

深度学习数据集和模型动不动就是几个GB甚至更大，好的存储习惯很重要。

• 专用工作区：建议在Windows的某个NTFS分区（比如D盘）创建一个专门用于深度学习的文件夹，例如D:\DL_Projects。因为WSL2可以无缝访问Windows文件系统（路径在/mnt/d/下），你可以把大型数据集放在这里，同时在WSL中访问，避免占用WSL虚拟磁盘的空间。
• WSL磁盘位置：WSL的虚拟磁盘默认在C盘，如果C盘空间紧张，可以考虑将其导出再导入到其他盘。具体操作可以通过wsl --export和wsl --import命令实现，网上有详细教程。
• 临时文件清理：定期使用Windows自带的“磁盘清理”工具，清理系统临时文件、更新缓存等，释放空间。

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。