wsl 深度学习 慢

### 提高WSL环境中深度学习训练速度的方法

#### 优化硬件加速配置
为了提升WSL下的深度学习效率，确保已启用并正确配置了GPU加速功能。对于NVIDIA GPU用户来说，在安装CUDA Toolkit以及cuDNN库之后，还需特别注意驱动版本之间的匹配关系[^1]。

#### 更新至WSL 2
相较于初代产品而言，WSL 2不仅改进了文件访问性能还增强了内核特性支持度。因此建议将当前使用的任何旧版本迁移至最新的WSL 2平台之上，从而获得更佳的整体表现[^2]。

#### 调整内存分配策略
适当增加分配给WSL实例的RAM大小可以有效缓解因资源不足而导致的任务处理迟缓现象。通过编辑`/etc/wsl.conf`文件中的参数设定来完成此项操作：

[wsl2]
memory=8GB # 设置最大可用内存容量
processors=4    # 设定CPU核心数限制

#### 启用持久存储选项
当涉及到频繁读写大量数据集时，采用永久性的磁盘映射方式代替临时挂载点能够显著减少I/O延迟时间。具体做法是在Windows主机上创建专门用于存放模型权重及其他资料的工作目录，并将其路径添加到`.bashrc`脚本里以便每次启动都能自动加载。

#### 安装高效能软件包管理器Conda
Anaconda或Miniconda作为广受欢迎的数据科学领域集成开发环境之一，内置了大量的预编译二进制扩展模块可供选用。借助这些预先打包好的依赖项组合，往往能在很大程度上简化项目构建流程的同时也提高了执行效能。

# 下载miniforge安装脚本
wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.sh
# 执行安装过程
bash Miniforge3-Linux-x86_64.sh -b -p $HOME/miniforge3
# 初始化shell环境变量
source ~/miniforge3/bin/activate
# 创建新的Python虚拟环境并激活它
conda create --name dl_env python=3.9
conda activate dl_env
# 安装必要的机器学习框架和其他工具
conda install pytorch torchvision torchaudio cudatoolkit -c pytorch