WSL2环境下安装cuML（RAPIDS）失败：CUDA设备无法识别求助

以下是针对CUDA_ERROR_NO_DEVICE (100)错误的具体排查和修复步骤：

1. 配置WSL2的CUDA环境变量 #

WSL2需要确保核心GPU驱动路径和conda环境的CUDA库路径被正确加载：

• 先激活rapids环境：conda activate rapids
• 执行echo $LD_LIBRARY_PATH，确认输出包含/usr/lib/wsl/lib（WSL共享Windows GPU驱动的关键路径）和conda环境的CUDA库路径（如~/miniconda3/envs/rapids/lib）
• 若路径缺失，手动添加：

  export LD_LIBRARY_PATH=/usr/lib/wsl/lib:$CONDA_PREFIX/lib:$LD_LIBRARY_PATH
  

  把这条命令写入~/.bashrc或~/.zshrc，确保每次启动WSL自动生效。

2. 检查GPU设备访问权限 #

WSL2的GPU设备权限异常会导致无法识别：

• 执行ls -la /dev/nvidia*，确认设备文件的所属组为video且当前用户有读写权限
• 若权限不足，执行：

  sudo usermod -aG video $USER
  

  退出WSL并重新登录后生效。

3. 验证conda环境的CUDA兼容性 #

确保conda环境的CUDA工具包与系统驱动兼容：

• 激活rapids环境后，执行nvcc --version，确认输出的CUDA版本为11.8
• 若nvcc无法找到，添加conda环境的CUDA二进制路径到系统变量：

  export PATH=$CONDA_PREFIX/bin:$PATH
  

  同样可以写入shell配置文件持久生效。

4. 修复numba的CUDA识别问题 #

错误来自numba的CUDA初始化，直接排查并修复：
在Python环境中执行测试代码：

from numba import cuda
print(cuda.gpus)

若输出为空，执行以下操作：

• 卸载并重装numba：conda remove numba && conda install numba -c conda-forge
• 确保numba版本与CUDA 11.8及RAPIDS 23.04适配（重装可解决潜在的文件损坏问题）

5. 重启WSL2和VSCode #

环境变量或驱动加载异常时，重启可解决大部分问题：

• 在Windows命令提示符执行：wsl --shutdown，再重新启动WSL
• 关闭所有VSCode窗口，重新打开并连接到WSL环境，确认Jupyter Notebook使用的是正确的rapids conda环境

内容的提问来源于stack exchange，提问作者Stephan De Spiegeleire