在WSL2上配置深度学习环境
目标
硬件：x86cpu，3060显卡
软件：Win10，WSL2
需要配置：C++和python环境，Anaconda，11.1版本Cuda（适配3060显卡），gcc，g++（都要求10以下版本，兼容cuda-11.1），torch-1.8.0-cu111。
安装WSL2
不要使用wsl --install，会变得不幸！如果你已经不幸，在程序管理里找到wsl，卸载，在注册表里找到wsl，删除，然后在命令行重装。
管理员模式启动win10的powershell。
dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart
wsl --set-default-version 2
wsl --list --online
然后选择版本，深度学习建议ubuntu
wsl.exe --install ubuntu
安装完毕后会自动启动，以后也可以直接输入wsl启动。
WSL默认将ubuntu安装在系统盘，但提供了快捷的导出和迁移功能。建议迁移出来，方便windows访问linux的文件系统。
依次输入以下命令，从而依次执行： 1. 关闭当前子系统，2. 将当前发行版导出到 D:\ubuntu.tar，3. 删除原始系统，4. 将D:\ubuntu.tar导入到新的目录 D:\Ubuntu 。至此完成迁移。
wsl --shutdown
wsl --export Ubuntu D:\ubuntu.tar
wsl --unregister Ubuntu
wsl --import Ubuntu D:\Ubuntu D:\ubuntu.tar
配置通过主机的代理通道
vim ~/.bashrc
function set_proxy() {
# 查询宿主机的IP地址
proxy_server=`cat /etc/resolv.conf|grep nameserver|awk '{print $2}'`
# http_proxy (改成你的局域网端口号）
proxy_port=1080
export http_proxy=http://$proxy_server:$proxy_port
export HTTP_PROXY=$http_proxy
export https_proxy=$http_proxy
export HTTPS_PROXY=$http_proxy
}
依次按ESC，:，w, q，enter键保存并退出。然后配置win10上的代理软件允许来自局域网的链接。然后
source ~/.bashrc
set_proxy
这样WSL就基本配置好了。
配置conda
在这里找到你想要的版本，下载运行
wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh
sudo bash Anaconda3-2023.09-0-Linux-x86_64.sh
根据提示一路yes，注意回车不要按过头，最后一个问你要不要初始化也yes。
然后创建环境，myenv改成你想要的名字。
conda create -n myenv python=3.8
这里注意，请先安装cuda，再安装pytorch！我选择torch 1.8.0和cuda111的搭配，具体搭配参考这里。
配置g++和gcc
WSL好像是自带或者我自己装了g++-11和gcc-11，需要降级到10才能兼容cu111。
sudo apt-get install gcc-10 # 安装GCC 10
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-10 100
gcc --version
sudo apt-get install g++-10 # 安装G++ 10
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-10 100
g++ --version
配置cuda（一堆坑）
在这里找到你要的版本，下载，安装。理论上因为配置了低版本g++，所以官网提供的所有方法都可以用。但我没试过，但不配置低版本g++是会编译失败的。还是推荐deb local安装。
注意选WSL-ubuntu
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/11.1.0/local_installers/cuda-repo-wsl-ubuntu-11-1-local_11.1.0-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-11-1-local_11.1.0-1_amd64.deb
sudo apt-key add /var/cuda-repo-wsl-ubuntu-11-1-local/7fa2af80.pub
sudo apt-get update
sudo apt-get -y install cuda
注意！如果你之前装了高版本的cuda，要降级，请不要使用deb法！会有依赖自动安装高级的版本然后不兼容！硬要装，卸载，autoremove，然后在/var里找到并手动安装重复的依赖，再apt-get install。（踩坑踩了一晚上）
修改环境变量again
vim ~/.bashrc
选择你要的cuda版本，以后切换版本改这里就行，所有的cuda都安装在/usr/local。
export PATH=/usr/local/cuda-11.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
使环境生效。
source ~/.bashrc
nvcc -V
配置torch
然后就是一切顺利得进入环境，在conda环境下安装编译你的各种库了。先配torch，在这里找到合适的指令。
conda activate myenv
conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge
再随手试试pip好不好使：
pip install open3d
pip install timm
pip install termcolor
pip install Bio
pip install MDAnalysis
到这里就算是配好基本环境了，再根据项目需求安装需要的库。
