WSL2 + NVIDIA GPU: configuración óptima para workloads de IA

Desde mediados de 2020, WSL2 ofrece soporte oficial para aceleración por GPU con NVIDIA. Esto permite ejecutar frameworks como [PyTorch](https://pytorch.org/get-started/locally/) o TensorFlow con [CUDA](https://docs.nvidia.com/cuda/wsl-user-guide/index.html) directamente desde Linux en Windows, ideal para tareas de entrenamiento y prueba de modelos de inteligencia artificial.

🎯 Objetivo

Configurar un entorno de desarrollo basado en WSL2 con soporte GPU, incluyendo:

Acceso a GPU NVIDIA desde el subsistema Linux
Instalación de CUDA Toolkit y cuDNN
Ejecución de scripts con PyTorch y verificación del entorno
Prácticas recomendadas para aprovechar la aceleración por hardware

🧰 Requisitos previos

Windows 11 (o Windows 10 21H2 en adelante)
WSL2 instalado y actualizado (wsl --update)
GPU NVIDIA compatible (preferentemente RTX)
Driver de GPU actualizado: nvidia.com/Download

Verificación del entorno desde PowerShell:

nvidia-smi

⚙️ Paso 1: Activar WSL2 con soporte GPU

Instalar WSL y una distribución como Ubuntu 22.04:

wsl --install -d Ubuntu

Actualizar WSL a la última versión:

wsl --update
wsl --shutdown

🚀 Paso 2: Instalar CUDA y herramientas base en WSL2

Desde la terminal Linux en WSL2:

sudo apt update && sudo apt upgrade -y
sudo apt install -y build-essential dkms

Agregar repositorios oficiales de NVIDIA:

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/libnvidia-container/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/libnvidia-container/ubuntu$distribution/libnvidia-container.list | sudo tee /etc/apt/sources.list.d/nvidia-container.list
sudo apt update
sudo apt install -y nvidia-driver-535 nvidia-cuda-toolkit

🧪 Paso 3: Verificar acceso a la GPU desde WSL2

Dentro del entorno WSL2:

nvidia-smi

El sistema debe mostrar la tarjeta gráfica, memoria y uso actual.

🧠 Paso 4: Instalar PyTorch con soporte CUDA

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

Verificar el acceso a la GPU desde un script:

import torch
print("CUDA disponible:", torch.cuda.is_available())
print("GPU:", torch.cuda.get_device_name(0))

🛠️ Solución de problemas comunes

Si nvidia-smi no detecta la GPU, asegurarse de tener los drivers y WSL actualizados.
No se recomienda instalar CUDA directamente desde la web de NVIDIA; es preferible utilizar los repos oficiales para WSL.
Es importante reiniciar el entorno después de cambios: wsl --shutdown

📈 Buenas prácticas

Utilizar distribuciones ligeras como Debian o Ubuntu minimal para reducir el uso de recursos.
Configurar límites de recursos en .wslconfig si se comparte la GPU con otros procesos.
Monitorear la temperatura y uso con nvidia-smi.
Emplear tmux o screen para mantener tareas de entrenamiento corriendo en segundo plano.

✅ Conclusión

Configurar WSL2 con acceso a GPU NVIDIA representa una alternativa práctica y poderosa para ejecutar flujos de trabajo de IA desde un entorno Linux en Windows. Esta solución permite acelerar el desarrollo y pruebas de modelos, aprovechando la compatibilidad de herramientas modernas con CUDA y PyTorch.

WinDev Windows 11 WSL