跳到主要内容

🛠️ WSL 开发环境配置

💡 WSL 的核心价值在于它提供了一个与生产环境（Linux 服务器）几乎一致的本地开发环境。

🆙 升级更新包​

sudo apt update && sudo apt upgrade -y

🖥️ 基础工具​

🟦 VS Code 远程开发​

📥 安装 VS Code

Windows 安装 VS Code 请务必勾选 Add to PATH 选项。

🧩 安装扩展

安装 远程开发扩展包，包括了Remote - SSH 和 Dev Containers。

📦 安装可能没有的包

部分 WSL Linux 发行版缺少 VS Code 服务端启动所需的依赖库。你可以通过发行版自带的包管理器来添加这些额外的库。

并添加 wget（用于从 Web 服务器获取内容）和 ca-certificates（允许基于 SSL 的应用程序检查 SSL 连接的真实性）。

sudo apt-get update && sudo apt-get install wget ca-certificates -y

💻 命令行打开 WSL 项目

从发行版的命令行输入 code .，即可打开当前目录的 VS Code。

wsl 打开 VS Code

📂 VS Code 打开项目

通过 ctrl + shift + p 打开命令面板，输入 WSL 获得更多命令。

VS Code

ℹ️ 关于扩展

VS Code 在 WSL 下是一个 CS 架构，客户端运行在 Windows 下，代码、Git、插件运行在远程的 WSL 中。

部分扩展只需要安装一次，必须要在 WSL 中重新安装使用。例如 Python 扩展需要安装 Python 服务端插件。

VS Code 扩展

🌿 Git 版本控制​

🛠️ 安装和配置

请参考 Git 安装文档。

并对个人用户进行配置。

git config --global user.name "Your Name"
git config --global user.email "your@email.com"

🔑 Git 凭据管理器

Git 凭据管理器（Git Credential Manager，简称 GCM）是一个非常实用的辅助工具，它的核心作用是自动帮你处理 Git 操作时的身份认证，让你免于反复输入用户名和密码。

WSL 2 默认可以读取到本地的 Windows 的 Git 凭据，所以一般不需要额外操作。

🗄️ 数据库入门​

官方虽然提供了数据库的 安装指南，但是更推荐使用 🐳 Docker 安装数据库软件。

🐳 Docker​

📦 容器推荐​

推荐使用 Docker Desktop 来管理 Docker 容器也可以在 WSL 发行版中安装 Docker Engine 或使用 Podman。

容器配置

建议使用 Docker Desktop，虽然 Docker Desktop 支持同时运行 Linux 和 Windows 容器，但 不能 同时运行这两个容器。 若要同时运行 Linux 和 Windows 容器，需要在 WSL 中安装和运行单独的 Docker 实例。

⚙️ 设置 Docker Desktop​

Windows 下默认安装 Docker Desktop 会自动启动 Use the WSL 2 based engine (Windows Home can only run the WSL 2 backend) 选项，并且会自动将 WSL 发行版添加到 Docker Desktop 的资源列表中。

Docker 配置

选择 setting > resources > WSL integration 中选中 Enable integration with my default WSL distro，选择 Apply & restart，就可以在 WSL 中执行 Docker 命令，

Enable integration with additional distros 会将多个发行版使用同一个 Docker 引擎，可以跨发行版进行访问。

🚢 VS Code 在远程容器开发​

🧩 安装扩展

🏗️ 创建开发容器

在 WSL 中创建一个 Python 的 Django 项目。

git clone https://github.com/<username>/helloworld-django.git
cd helloworld-django
code .

⚙️ 开发者容器配置

在 VS Code 中命令面板（Ctrl + Shift + P）输入 Dev Containers: Dev Containers: Reopen in Container，如果没有使用 WSL 打开 VS Code，选择 Dev Containers: Open Folder in Container... 使用本地 \\wsl$ 选择 WSL 文件夹。

VS Code 打开开发容器

选择要初始化的项目文件夹。

VS Code 选择 Docker 项目文件夹

选择需要的容器配置，该项目选择 Python。

VS Code 选择容器配置

通过运行和调试选择适合的配置，该项目为 Django。

VS Code 选择运行和调试配置

使用 F5 来运行项目，会打开终端，看到项目已经在运行。

VC Code 运行容器结果

🚀 深度学习 GPU 加速​

🧪 Docker 配置 NVIDIA CUDA​

📋 先决条件

需要安装 NVIDIA GPU 的最新驱动版本，并已安装 Docker Desktop 或在 WSL 中安装 Docker Engine。

🛠️ 安装 NVIDIA Container Toolkit (Docker Desktop 跳过)

# 为 NVIDIA 容器工具包设置稳定存储库
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-docker-keyring.gpg
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-docker-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

# 安装 NVIDIA 运行时包和依赖项
sudo apt-get update
sudo apt-get install -y nvidia-docker2

🏃 运行示例

docker run --gpus all -it --shm-size=1g --ulimit memlock=-1 --ulimit stack=67108864 nvcr.io/nvidia/tensorflow:20.03-tf2-py3

通过命令行运行内置的预训练模型：

cd nvidia-examples/cnn/
python resnet.py --batch_size=64

🧠 设置 TensorFlow-DirectML 或 PyTorch-DirectML​

📋 先决条件

安装 intel、AMD、NVIDIA 的最新驱动，并配置虚拟 python 环境。

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
conda create --name directml python=3.7 -y
conda activate directml

📦 安装支持的框架

pip install tensorflow-directml