在 WSL2 中配置 CUDA 环境变量的两种方法（含多版本支持）

通过编辑 ~/.bashrc 文件添加 export 语句来配置 CUDA 环境变量，然后用 source ~/.bashrc 刷新环境。

---

✅ 一：更完整的环境变量设置

export PATH=/home/yyf/.local/bin:$PATH
export CUDA_HOME=/usr/local/cuda-12.6
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

✅ 说明：

1. export PATH=/home/yyf/.local/bin:$PATH
   ➤ 把本地用户安装的包路径加入 PATH，常见于使用 pip install --user 安装包时。

2. export CUDA_HOME=/usr/local/cuda-12.6
   ➤ 明确设置 CUDA 的安装根目录，方便后续引用。

3. export PATH=$CUDA_HOME/bin:$PATH
   ➤ 把 CUDA 的可执行文件目录加入 PATH。

4. export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH
   ➤ 把 CUDA 的动态链接库路径加入库加载路径。

✅ 适用场景：

• 需要使用 CUDA 编译器（如 nvcc）或运行 CUDA 相关程序。

• 使用多个 CUDA 版本时可以通过修改 CUDA_HOME 来方便切换。

• 需要使用本地 pip 安装的 Python 包。

• 更适合对环境要求明确、希望灵活配置的开发者。

---

✅ 二：更简洁的 CUDA 环境配置

export PATH=$PATH:/usr/local/cuda-11.7/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.7/lib64

✅ 说明：

• 没有使用 CUDA_HOME 变量，直接把路径写死。

• 没有配置用户本地 .local/bin 目录。

• 简洁明了，直接添加 CUDA 可执行文件和库路径。

✅ 适用场景：

• 系统只有一个固定的 CUDA 版本。

• 用户不需要频繁切换 CUDA 版本。

• 不需要配置其他环境路径，只是为了让 CUDA 正常工作。

---

总结对比表

项目	第一种方式	第二种方式
是否设置 CUDA_HOME	✅ 是（更灵活）	❌ 否（不便切换版本）
是否添加本地 .local/bin	✅ 是（支持本地 pip 包）	❌ 否（更简洁）
是否更灵活/可复用	✅ 是（适合开发者）	⚠️ 一般（适合一次性配置）
配置复杂度	稍高（4 条语句）	简单（2 条语句）
适合什么人群	需要多个 CUDA、pip、编译的用户	只用固定 CUDA 的初学者

---

✅ 建议

• 如果你是开发者、研究人员，可能用到多个 CUDA 版本，建议使用 第一种方式，更方便管理。

• 如果你是入门用户，只想让 TensorFlow/PyTorch 正常用 CUDA 加速，可以用 第二种方式，够用了。

---

参考一：WSL2配置tensorflow GPU环境_wsl2安装tensorflow-CSDN博客

参考二：Ubuntu22.04安装CUDA、cudnn详细步骤_ubuntu怎么启用 dnn 模块-CSDN博客