WSL2 上の Ubuntu での NVIDIA CUDA ツールキット, NVIDIA cuDNN, PyTorch, TensorFlow 2.11 のインストールと動作確認（Windows 上）

はじめに

本記事では、WSL2上のUbuntu 22.04でNVIDIA GPUを利用してPyTorchとTensorFlow 2.11を動作させるための環境構築手順を解説します。大学生や技術者の方々が、Windows環境でLinuxベースの開発を行う際の一助となることを目指します。

全体の流れは以下の通りです。

1. Windows側での必要な設定（WSL2の有効化、NVIDIAドライバのインストール）
2. WSL Ubuntu環境の準備（カーネルバージョンの確認・更新）
3. WSL Ubuntu内でのPython環境構築（仮想環境の利用推奨）
4. PyTorchおよび関連ライブラリのインストールと動作確認
5. TensorFlow 2.11、CUDAツールキット、cuDNNおよび関連ライブラリのインストールと動作確認

前準備 (Windows / WSL)

次の公式のページの情報により，前準備を行う

https://docs.nvidia.com/cuda/wsl-user-guide/index.html#abstract

Windows の要件確認 (Windows 11 推奨)

WSL 2 で NVIDIA GPU を利用するには、特定のバージョンの Windows が必要です。公式ドキュメント (https://docs.nvidia.com/cuda/wsl-user-guide/index.html#getting-started) を参照し、お使いの Windows が要件を満たしているか確認してください。

• Windows 11: 最新の Windows 11 であれば、通常、特別な設定なしで WSL 2 の GPU サポートが利用可能です。最新の更新プログラムを適用することを推奨します。
• Windows 10: 以前は Windows Insider Program への参加が必要でしたが、現在は特定のビルド番号以上であれば利用可能です。ただし、安定性や最新機能の利用を考慮すると、Windows 11 へのアップデートを推奨します。

WSL 2 と Ubuntu のインストール

手順は 別ページ »で説明

WSL 2 での Ubuntu のカーネルバージョン確認と更新

1. Windows で，コマンドプロンプトを実行．
2. インストール済みの Ubuntu のカーネルのバージョンの表示
   • 「wsl -l」でディストリビューション名を確認

     wsl -l
     

     
   • 「wsl -d ＜ディストリビューション名＞ uname -r」を実行して， Ubuntu のカーネルのバージョンの表示．

     wsl -d Ubuntu-22.04 uname -r
     

     
3. 表示されたバージョンが，WSL 2 の GPU サポート要件を満たしているか確認します。一般的に、5.10.16.3以上のカーネルが必要です。

   5系列以上のバージョンが表示されていれば、通常は問題ありません。

   

   もし古い4系列が表示された場合（例: Windows 10 LTS版など）、バージョン番号を確認してください。4.19.121以上であれば基本的な要件は満たしていますが、最新の機能を利用するには5系列への更新が推奨されます。

   

表示されたカーネルバージョンが古い場合 (例: 4系列で 121 より小さい、または 5系列でも古い場合) は、更新が必要です。

更新の手順は次の通りです。

1. コマンドプロンプトを管理者として開き「wsl --update」を実行します。

   wsl --update
   

   
2. 更新が完了したら、WSL を再起動するために「wsl --shutdown」を実行します。

   wsl --shutdown
   

   

* 「wsl --update」を実行しても「利用できる更新はありません」と表示される場合:

Windows Update の設定を確認してください。

1. Windows の設定で「Windows Update」を開き、「詳細オプション」に進みます。
   
2. 「Windows の更新時に他の Microsoft 製品の更新プログラムを受け取る」がオンになっていることを確認します。オンでなければオンにしてください。
   
3. 設定を戻り、「更新プログラムのチェック」をクリックして Windows Update を実行します。
   
4. Windows Update が完了したら、再度管理者としてコマンドプロンプトを開き、「wsl --update」を実行してみてください。

NVIDIA ドライバのインストール (Windows)

Ubuntu のインストールが終わった後， NVIDIA ドライバを，Windows マシンにインストールする．

これは，Windows マシンにインストールするのであって，WSL上の Ubuntu でのインストール作業ではない．

1. Windows で，コマンドプロンプトを実行．
2. コマンドプロンプトで，次のコマンドを実行し，すべての Linux サブシステムをシャットダウンしておく．

   wsl --shutdown
   

   
3. グラフィックス・カードの種類が分からないときは，確認しておく．

   タスクマネージャーの「パフォーマンス」タブや、hwinfo (URL: https://www.hwinfo.com/) などを使って調べることができる．

4. NVIDIA ドライバの利用条件などは，次のページで，利用者で確認すること．

   https://docs.nvidia.com/cuda/wsl-user-guide/index.html

5. NVIDIA ドライバは，次のWeb ページからダウンロード

   【NVIDIA ドライバのダウンロードページ】 https://www.nvidia.co.jp/Download/index.aspx?lang=jp

   

   ダウンロードページでは、通常「Game Ready ドライバ」と「Studio ドライバ」が選択できます。CUDA を利用した開発や計算が主目的の場合、「Studio ドライバ」の方が安定性が高い場合があります。ご自身の用途に合わせて選択してください。

6. ダウンロードしたファイルを実行して，画面の指示に従いインストールする
   

PyTorch のセットアップ (WSL Ubuntu)

WSL Ubuntu の起動

Windows のコマンドプロンプトまたは PowerShell を開き、以下のコマンドで WSL Ubuntu を起動します。

# デフォルトのディストリビューションを起動する場合
wsl

# ディストリビューション名を指定して起動する場合 (事前に `wsl -l` で確認)
# 例: wsl -d Ubuntu-22.04
wsl -d <ディストリビューション名>

以降の手順は、この起動した Ubuntu ターミナル上で実行します。

必要なパッケージのインストール (apt)

PyTorch のインストールに必要な Python 関連パッケージを apt でインストールします。

sudo apt -y update
sudo apt -y install python3-dev python3-pip python3-setuptools python3-venv

Python パッケージの管理には、プロジェクトごとに独立した環境を作成できる **仮想環境** (例: `venv`) の利用を強く推奨します。これにより、システム全体の Python 環境を汚さず、パッケージ間のバージョン競合を防ぐことができます。以下に仮想環境の作成例を示します。（以降の `pip install` は仮想環境内で行うことを推奨します）

# プロジェクト用ディレクトリを作成し移動 (例: pytorch_project)
mkdir ~/pytorch_project
cd ~/pytorch_project

# 仮想環境を作成
python3 -m venv .venv

# 仮想環境を有効化
source .venv/bin/activate
# (プロンプトの先頭に (.venv) が表示されます)

# pip を最新版にアップグレード (推奨)
pip install --upgrade pip

# (仮想環境を抜けるには deactivate コマンドを実行します)

PyTorch のインストール (pip)

1. パソコンの Web ブラウザで，PyTorch の Web ページを開く

   https://pytorch.org/

2. Get Started ページでインストールコマンドを生成する

   次のように選択すると，その下に，実行すべき `pip` コマンドが表示されます。

   • PyTorch Build: Stable (安定版) を選ぶ
   • Your OS: Linux を選ぶ
   • Package: pip を選ぶ
   • Language: Python を選ぶ
   • CUDA:

     GPU を使わない場合は「None」または「CPU」を選びます。 GPU を使う場合には、適切な CUDA バージョンを選択します。 システムにインストールされているNVIDIAドライバと互換性のあるCUDAバージョンを選択します。通常は、利用可能な最新の安定版を選択しますが、特定のライブラリ要件がある場合はそれに合わせます。よくわからない場合は、推奨されているバージョン（通常はデフォルトで表示されます）を選択すると良いでしょう。(本記事執筆時点では CUDA 11.8 や 12.1 などが選択肢になります)

   「Run this Command」のところに表示されるコマンドを確認します。

   
3. 「Run this Command」のところに表示されたコマンドを実行

   仮想環境を使用している場合は `sudo` は不要です。

   # 例 (CUDA 11.8 の場合、表示されたコマンドをコピー＆ペースト)
   pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
   

   

動作確認 (バージョン確認, GPU認識確認)

1. Python でPyTorch のバージョン確認

   バージョン番号が表示されればインストールは成功しています。表示されるバージョンは実行タイミングにより異なります。

   python3 -c "import torch; print( torch.__version__ )"
   

   
2. PyTorch で GPU が使用できるかの確認

   CUDA 版をインストールした場合、次の Python コマンドを実行して `True` が表示されれば、GPU が認識されています。

   python3 -c "import torch; print(torch.cuda.is_available())"
   

   
3. python3 で PyTorch の簡単な動作確認

   https://pytorch.org/get-started/locally/ に記載の Python プログラムを動かしてみる。テンソルが表示されれば成功です。

   # Python対話モード (python3) またはファイルに保存して実行
   import torch
   x = torch.rand(5, 3)
   print(x)
   

   

TensorFlow 2.11 のセットアップ (WSL Ubuntu)

WSL Ubuntu を起動します。（起動方法は PyTorch のセクション を参照）

NVIDIA CUDA ツールキット 11.8 のインストール

TensorFlow 2.11 の GPU サポートに必要な NVIDIA CUDA ツールキット 11.8 をインストールします。

1. NVIDIA CUDA パッケージリポジトリの準備

   NVIDIA の公式手順に従い、リポジトリキーとリポジトリ情報をシステムに追加します。

   NVIDIA CUDA パッケージレポジトリの URL: https://developer.nvidia.com/cuda-downloads (ここで Linux -> x86_64 -> Ubuntu -> 22.04 -> deb (network) を選択すると最新の手順が表示されます)

   以下は、本記事執筆時点 (Ubuntu 22.04 / CUDA 11.8) での手順例です。必ず上記公式サイトで最新の手順を確認してください。 `apt-key` は非推奨のため `gpg` を使う方法を記載します。

   # リポジトリのピン設定ファイルをダウンロード
   wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
   sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
   
   # GPGキーをダウンロードして適切な場所に配置
   wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/3bf863cc.pub
   sudo mv 3bf863cc.pub /usr/share/keyrings/nvidia-cuda-archive-keyring.gpg
   
   # リポジトリを追加 (署名キーを指定)
   echo "deb [signed-by=/usr/share/keyrings/nvidia-cuda-archive-keyring.gpg] https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/ /" | sudo tee /etc/apt/sources.list.d/cuda.list
   
   # パッケージリストを更新
   sudo apt-get update
   

   
2. CUDA ツールキット 11.8 のインストール

   次のコマンドを実行して CUDA ツールキット 11.8 をインストールします。

   sudo apt-get -y install cuda-toolkit-11-8
   # もしくは単に cuda-11-8 でもインストールされる場合があります
   # sudo apt-get -y install cuda-11-8
   

   
3. NVIDIA CUDA ツールキットへのパス設定

   インストールした CUDA ツールキットのコマンドやライブラリを利用できるように、環境変数を設定します。`.bashrc` に追記することで、シェル起動時に自動的に設定されます。

   export CUDA_PATH=/usr/local/cuda-11.8
   echo 'export CUDA_PATH=/usr/local/cuda-11.8' >> ${HOME}/.bashrc
   export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:${LD_LIBRARY_PATH}
   echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:${LD_LIBRARY_PATH}' >> ${HOME}/.bashrc
   export PATH=/usr/local/cuda-11.8/bin:${PATH}
   echo 'export PATH=/usr/local/cuda-11.8/bin:${PATH}' >> ${HOME}/.bashrc
   
   # 設定を即時反映させる（新しいターミナルを開くか、以下のコマンドを実行）
   source ${HOME}/.bashrc
   

   
4. インストール確認

   CUDA コンパイラ `nvcc` のバージョンを確認します。

   nvcc --version
   # または cat /usr/local/cuda-11.8/version.json
   

   

NVIDIA cuDNN のインストール

TensorFlow の GPU アクセラレーションに必要な NVIDIA cuDNN ライブラリをインストールします。CUDA 11.x に対応する cuDNN 8 をインストールします。

1. cuDNN パッケージの確認 (オプション)

   インストール可能な cuDNN パッケージを確認します。

   sudo apt-get update
   apt-cache search libcudnn8
   

   
2. cuDNN パッケージのインストール

   CUDA 11.x 向けの cuDNN 8 (ランタイムライブラリと開発用ヘッダファイル) をインストールします。

   sudo apt-get install libcudnn8 libcudnn8-dev
   

   
3. インストールされたパッケージの確認 (オプション)

   dpkg -l | grep cudnn
   

   

Python 関連パッケージの準備

TensorFlow のインストールに必要な Python 環境を準備します。

1. 必要なシステムパッケージのインストール (apt)

   Python 開発ツール、pip、および仮想環境ツールをインストールします。（PyTorch のセクションで実施済みの場合は不要）

   sudo apt -y update
   sudo apt -y install python3-dev python3-pip python3-venv
   

2. 仮想環境の作成と有効化 (推奨)

   TensorFlow 用の仮想環境を作成し、有効化します。これにより、他の Python プロジェクトとの依存関係の衝突を防ぎます。

   # プロジェクト用のディレクトリを作成し移動 (例: tf_project)
   mkdir ~/tf_project
   cd ~/tf_project
   
   # 仮想環境を作成
   python3 -m venv .venv
   
   # 仮想環境を有効化
   source .venv/bin/activate
   # (プロンプトの先頭に (.venv) が表示されます)
   
   # pip を最新版にアップグレード (推奨)
   pip install --upgrade pip
   

3. 使用する Python のバージョンの確認 (オプション)

   python3 --version
   

   

TensorFlow 2.11 等のインストール (pip)

仮想環境内で TensorFlow 2.11 および関連ライブラリを pip を使ってインストールします。

1. 必要な Python ライブラリのインストール (apt)

   NumPy や Matplotlib など、apt でインストール可能な基本的なライブラリをインストールします。OpenCV は必要に応じてインストールしてください。

   sudo apt -y update
   sudo apt -y install python3-numpy python3-pil python3-pydot python3-matplotlib
   # 必要に応じて OpenCV 関連もインストール
   # sudo apt -y install libopencv-dev python3-opencv
   

2. TensorFlow 2.11 と関連パッケージのインストール (pip)

   仮想環境が有効化されていることを確認し、以下のコマンドを実行します (`sudo` は不要です)。

   pip install -U tensorflow==2.11.* numpy pillow pydot matplotlib opencv-python
   pip install -U tf-models-official==2.11.* tf_slim tensorflow_datasets tensorflow-hub keras==2.11.* keras-tuner keras-visualizer
   pip install git+https://github.com/tensorflow/docs
   pip install git+https://github.com/tensorflow/examples.git
   # keras-contrib はメンテナンスが停止しており、TF2.x との互換性問題があるため推奨されません。
   # pip install git+https://www.github.com/keras-team/keras-contrib.git # ← 非推奨
   

   エラーメッセージが出ていないことを確認してください。

   

動作確認 (バージョン確認, GPU認識確認)

1. TensorFlow のバージョン確認

   次のコマンドを実行し、インストールされた TensorFlow のバージョンを確認します。

   python3 -c "import tensorflow as tf; print( tf.__version__ )"
   

   2.11系のバージョンが表示されれば OK です。

   
2. GPU が認識できてるかの確認

   TensorFlow が GPU を認識できているか確認します。

   python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
   # または以前のコマンド
   # python3 -c "from tensorflow.python.client import device_lib; print(device_lib.list_local_devices())"
   

   出力に GPU デバイスの情報 (例: `PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')`) が含まれていれば、GPU が認識されています。空のリスト `[]` が返る場合は認識されていません。

   

   GPU が認識されない場合は、以下の点を確認してください。

   • Windows 側で NVIDIA ドライバが正しくインストールされているか (Windows のコマンドプロンプトで `nvidia-smi` を実行)。
   • WSL Ubuntu 側で CUDA Toolkit と cuDNN が正しくインストールされ、パスが通っているか (Ubuntu ターミナルで `nvcc --version` を実行)。
   • インストールした TensorFlow のバージョンと、CUDA/cuDNN のバージョンの互換性があるか (TensorFlow 公式ドキュメントを確認)。
   • WSL を再起動してみる (`wsl --shutdown` を Windows 側で実行後、再度 WSL を起動)。
   • NVIDIA の WSL User Guide (https://docs.nvidia.com/cuda/wsl-user-guide/index.html#abstract) も参照してください。

TensorFlow のプログラム例

簡単な Python プログラムを実行して TensorFlow の基本的な動作を確認します。 https://github.com/tensorflow/tensorflow にも多くのサンプルがあります。

Python プログラムの実行方法

これらの Python プログラムを実行するには、以下のいずれかの方法があります。

1. ファイルとして保存して実行:
   • 下記のコードをテキストエディタ (例: `nano`, `vim`, または Windows 側の VS Code など) で `hello.py` や `add.py` のようなファイル名で保存します。
   • WSL Ubuntu ターミナルで `python3 hello.py` のように実行します。（仮想環境が有効なことを確認してください）
2. Python 対話モードで実行:
   • ターミナルで `python3` と入力し、Python 対話モードを開始します。（仮想環境が有効なことを確認してください）
   • 表示された `>>>` プロンプトに対して、コードを一行ずつ（または複数行まとめて）入力し、Enter キーを押します。

• 次の Python プログラムを実行してみる．

  結果として 「Hello, TensorFlow!」のように表示されるので確認する． (TensorFlow のバージョンによっては `tf.Tensor(b'Hello, TensorFlow!', shape=(), dtype=string)` のような表示になることもあります)

  import tensorflow as tf
  hello = tf.constant('Hello, TensorFlow!')
  tf.print(hello) # print(hello) でも可
  

  
• 今度は，次の Python プログラムを実行する

  結果として 「42」のように表示されるので確認する． (TensorFlow のバージョンによっては `tf.Tensor(42, shape=(), dtype=int32)` のような表示になることもあります)

  「tf.add(a, b)」と「a + b」は，同じ結果になります。

  import tensorflow as tf
  a = tf.constant(10)
  b = tf.constant(32)
  tf.print( tf.add(a, b) )
  tf.print( a + b )
  

  
• 今度は，次の Python プログラムを実行する (行列演算の例)

  結果として 12 が表示されるので確認する． (TensorFlow のバージョンによっては `tf.Tensor([[12.]], shape=(1, 1), dtype=float32)` のような表示になることもあります)

  import tensorflow as tf
  matrix1 = tf.constant([[3., 3.]])
  matrix2 = tf.constant([[2.],[2.]])
  tf.print( tf.matmul(matrix1, matrix2) )