Windows 10 安装 TensorFlow 2.19.0基于 WSL2 的 GPU 环境配置1. 启用 WSL2 服务2. 首次设置 Ubuntu 24.043. 日常使用 WSL24. 更新系统并安装常用工具5. NVIDIA 驱动安装6. 安装 CUDA 12.57. 安装 cuDNN 9.11.08. 创建 TensorFlow 虚拟环境9. 安装 TensorFlow 2.19.0 GPU 版本10. 验证安装预期输出示例2026 年 10 月 7 日复查时发现pip install tensorflow[and-cuda]这条命令它会把 CUDA、cuDNN 等 13 个 NVIDIA 依赖包通过 pip 直接装进虚拟环境 可以省掉本文第 6、7 两节 不用配 NVIDIA 的 apt 源、不用配环境变量、不用管版本对应。代价是下载量约 2~3 GB且版本不能自选。驱动仍需先在 Windows 侧装好。由于我现在手头上没有显卡这条命令我尚未验证大家可以自行尝试。1. 启用 WSL2 服务快捷键Win X选择「PowerShell管理员」执行以下命令# 启用 WSL2dism.exe/online/enable-feature/featurename:Microsoft-Windows-Subsystem-Linux/all/norestart# 启用虚拟机平台dism.exe/online/enable-feature/featurename:VirtualMachinePlatform/all/norestart# 更新 WSL2wsl.exe--update# 设置 WSL2 为默认版本wsl--set-default-version 2# 安装 Ubuntu 24.04wsl--install-d Ubuntu-24.042. 首次设置 Ubuntu 24.04第一次进入虚拟机会提示输入用户名和密码注意这是在创建用户和设置密码输入密码时不会显示任何字符需要输入两次密码第二次为确认3. 日常使用 WSL2快捷键Win R输入cmd打开命令行输入以下命令之一wsl进入默认的 WSL 环境wsl -d Ubuntu-24.04指定进入 Ubuntu 24.044. 更新系统并安装常用工具从这一步开始所有命令都在 Ubuntu 终端中执行不再是 Windows 的 PowerShell。先更新软件源再安装后续会用到的工具。sudoaptupdatesudoaptupgrade-ysudoaptinstall-ygitwgetcurlhtopnvtop btop5. NVIDIA 驱动安装Windows 主机安装好 NVIDIA 驱动后WSL 会自动复用 Windows 侧的驱动库无需在 Linux 内单独安装。在 WSL 中验证nvidia-smi若nvidia-smi没有输出显卡信息说明驱动没有正确透传建议回到 Windows 侧重新安装驱动后再验证而不是在 WSL 里安装 Linux 版驱动。6. 安装 CUDA 12.5截至 2025 年 7 月 17 日TensorFlow 官方文档给出的 CUDA 要求是 CUDA Toolkit 12.3。本文实测 12.5 也能正常跑通因此选择 CUDA 12.5。# 配置仓库wgethttps://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pinsudomvcuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600sudoapt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/3bf863cc.pubsudoadd-apt-repositorydeb https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/ /sudoaptupdate# 安装 CUDA 12.5sudoaptinstall-ycuda-12-5# 配置环境变量echoexport PATH/usr/local/cuda-12.5/bin:$PATH~/.bashrcechoexport LD_LIBRARY_PATH/usr/local/cuda-12.5/lib64:$LD_LIBRARY_PATH~/.bashrcsource~/.bashrc# 验证安装nvcc-Vnvcc -V能输出 CUDA 版本号说明安装成功。7. 安装 cuDNN 9.11.0cuDNN 是深度学习算子的加速库需要与 CUDA 12.x 配套。TensorFlow 官方没有针对 2.19.0 单独指定 cuDNN 版本本文使用的 9.11.0 是实测可用的组合。wgethttps://developer.download.nvidia.com/compute/cudnn/9.11.0/local_installers/cudnn-local-repo-ubuntu2404-9.11.0_1.0-1_amd64.debsudodpkg-icudnn-local-repo-ubuntu2404-9.11.0_1.0-1_amd64.debsudocp/var/cudnn-local-repo-ubuntu2404-9.11.0/cudnn-*-keyring.gpg /usr/share/keyrings/sudoapt-getupdatesudoapt-get-yinstallcudnn8. 创建 TensorFlow 虚拟环境用 conda 建一个独立环境避免污染系统 Python。若还没装 Miniconda可先执行注释里的三步也可以改用 venv 等其他工具。# 可选安装 Miniconda# wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh# bash Miniconda3-latest-Linux-x86_64.sh# source ~/.bashrc# 创建虚拟环境conda create-ntf21python3.12-yconda activate tf219. 安装 TensorFlow 2.19.0 GPU 版本pipinstalltensorflow2.19.0该 wheel 本身是 GPU-capable 的但不会自带 CUDA 与 cuDNN 库GPU 支持依赖前面安装的系统级 CUDA / cuDNN。10. 验证安装python-cimport tensorflow as tf; print(tf.config.list_physical_devices(GPU))预期输出示例看输出的最后一行有没有 GPU 设备列表例如[PhysicalDevice(name/physical_device:GPU:0, device_typeGPU)]注意输出中可能包含一些警告信息但只要最后显示了 GPU 设备列表就表示安装成功。