[Python知识库] 虚拟机使用主机显卡(hyper-v和WSL2)

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> Python知识库 -> 虚拟机使用主机显卡(hyper-v和WSL2) -> 正文阅读

[Python知识库]虚拟机使用主机显卡(hyper-v和WSL2)

我的系统版本

我更新到了最新的版本，这样可以避免很多不必要的麻烦。
在这里插入图片描述

WSL2+Ubuntu20.04+CUDA

启用WSL2+安装Ubuntu20.04

这个很简单，请看：https://blog.csdn.net/RenLJ1895/article/details/122741040

主机安装WSL Cuda显卡驱动

在最新的显卡驱动都已经包含了WSL Cuda驱动，所以显卡驱动已经更新到最新版本，就不用重新安装了。另外：WSL2的Ubuntu系统里不需要再安装任何显卡相关的驱动

我的显卡驱动版本
在这里插入图片描述

WSL2 Ubuntu安装cuda和cudnn

cuda

这个和再Ubuntu安装没有多大的区别，CUDA安装的命令查看地址：https://developer.nvidia.com/cuda-toolkit-archive

我选择的版本是11.6.0，接着再Ubuntu里面一个一个敲下面的命令等待安装完成。

在这里插入图片描述
更新~/.bashrc文件

#把这三行复制到文件底部
export CUDA_HOME=/usr/local/cuda
export PATH=$PATH:$CUDA_HOME/bin
export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

#更新一下bashrc文件
source ~/.bashrc
 
#更新一下可能需要的依赖
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev
 
#用以下代码检查cuda是否检查成功，注意此处的cuda版本是你在toolkit下载那里决定的，这个版本可能和nvidia-smi显示的版本号不一样，可高可低，这是因为nvidia给cuda开了两个api，这两个api只要差不是太远，基本都可以保证正常运行cuda
nvcc -V

在这里插入图片描述
ubuntu中的nvidia-smi目录再/usr/lib/wsl/lib/nvidia-smi，可以建个软链接到/usr/local/bin下，也可以将这个目录加到环境变量里，任何执行nvidia-smi(这里识别出cuda版本是11.7应该是主机的版本，这个不重要)

cudnn

下载地址：https://developer.nvidia.com/rdp/cudnn-archive (需要登录，下载最新的11.x, 其实就是11.6)
在这里插入图片描述
解压到cuda安装目录

#以下是安装命令
tar -zxvf cudnn-自己补全版本号.tgz
sudo cp -P cuda/lib64/* /usr/local/cuda-11.6/lib64/
sudo cp cuda/include/cudnn.h /usr/local/cuda-11.6/include/
 
#为更改读取权限：
sudo chmod a+r /usr/local/cuda-11.6/include/cudnn.h
sudo chmod a+r /usr/local/cuda-11.6/lib64/*

安装TensorFlow

我选择的是tensorflow-gpu==2.8.1, 因为2.0以后的TensorFlow自带了keras，直接import tensorflow.keras即可。所以不用额外安装了。

使用自带测试程序

cat /usr/local/cuda/samples/README_CUDA_Samples.txt
这个文件里有个GitHub的链接：https://github.com/NVIDIA/cuda-samples
把文件拷下来(如果速度很慢，则需要点手段，这个就不说了)
cd /usr/local/cuda/samples
git clone https://github.com/NVIDIA/cuda-samples.git
然后编译可执行文件
cd cuda-samples
sudo make
需要等待个十几分钟吧，生成的可执行文件在cuda-samples/bin/x86_64/linux/release 目录

测试通过，说明环境都没啥问题

测试keras训练模型

在vscode里下载Remote-WSl 插件，左边就会多一个按钮。打开然后创建个目录写代码
在这里插入图片描述
效果(可以看到显存已经占满了，训练也正常跑了)
不过出了很多的警告信息，谷歌搜了下没找到什么原因，算了，能跑就行了

参考链接

1、https://blog.csdn.net/iwanvan/article/details/122119595

hyper-v+win10

准备iso镜像

需要下载和主机系统一样的镜像(主要是为了显卡驱动一模一样，保证直接拷贝主机显卡驱动文件到虚拟机不会出问题)

使用hyper-v安装win10系统

步骤没什么区别

使用脚本配置GPU-Pv

下载脚本：https://github.com/Sam-Chai/gpu-pv-ps1

修改图中两个位置，第一个为虚拟机的名称，第二个是虚拟机能使用的最大显存。我设置的和主机显卡一样
在这里插入图片描述
然后右键使用powershell运行，这样会不容易看出输出信息。窗口一闪而过

可以使用Powershell ISE来运行，打开位置如下
在这里插入图片描述
将gpu.ps1文件直接拖到这个窗口，点击绿色的执行按钮就能看到输出，没报错输出完成就没问题

显卡驱动

现在直接打开虚拟机，虽然能在设备管理器里面看到显卡的信息，但是显示代码43，因为确实驱动程序，但是又不能直接使用驱动软件下载驱动。

将虚拟机关机，并且挂着虚拟机的磁盘到主机，双击.vhdx文件就可以在磁盘管理里看到(也可以在磁盘管理右键选择附加VHD)，可能会有个报错，可以忽略，因为还没有分配盘符。右键分配一下盘符就行

我已经分配过，一打开就挂载了，图中500G的那个
在这里插入图片描述
然后拷贝主机C:\Windows\System32\DriverStore\FileRepository目录下nv开头的文件夹到虚拟机硬盘F:\Windows\System32\HostDriverStore\FileRepository下(目录需要自己建)

然后在磁盘管理红圈的部分右键选择分离VHD，磁盘就取消挂载了
在这里插入图片描述
接着虚拟机开机就应该能看到显卡正常工作了

具体有没有真的正常工作，这个还真不清楚，先跑个鲁大师试试
虚拟机：
主机：

相差还是挺大的，~~而且在虚拟机跑鲁大师直接卡死了，要等他测完才能连接到~~ ，尴尬，虚拟机CPU只给了1核，我说怎么这么卡。

后面在看看玩游戏的表现，跑模型就没必要了，用WSL或者直接在主机里跑更方便。

hyper-v安装ghost备份文件

一开始我不想安装系统，想直接备份主机的系统到ghost文件里。然后再hyper-v还原成虚拟机，但是还原后的虚拟机很卡，基本无法操作，估计是很多驱动都不兼容，分享下如果安装ghost

创建虚拟机

其他步骤一样，就是选择镜像的时候，需要选择PE系统的ISO镜像，我这里选了微PE的镜像(下载微PE，就有生成ISO文件的选项)
在这里插入图片描述

新建一个硬盘

硬盘大小比ghost文件大一点就行，比如我备份的系统文件大小是62G，虚拟硬盘选个63G就行了，选择固定大小(因为看到下面写了更好的性能)
在这里插入图片描述
生成虚拟硬盘文件之后，就是挂载这个硬盘，然后拷贝ghost文件到虚拟硬盘，这样做的目的是因为到时候要在虚拟机里还原系统，ghost文件又不能放系统盘，所以创建个盘来装。装完系统这个盘就可以卸载了