通过tailscale配置ssh远程实现wsl系统VSCode编程

目录

• 一、内网穿透
• • 第一步：在公司电脑上安装 WSL（Linux 系统）
  • 第二步：在公司电脑上开启 SSH（允许家里远程登录）
  • 第三步：在两台电脑都安装 Tailscale（打通网络）
  • • 先在公司电脑安装：
    • 再在家里电脑安装：
    • 查看公司电脑的 Tailscale 地址：
  • 第四步：在家里电脑生成“钥匙”（安全登录用）
  • • 操作步骤（在家里电脑做）：
    • 找到公钥文件（id_rsa.pub）：
    • 把“钥匙”交给公司电脑：
  • 第五步：在家里连接公司电脑，进入 Linux
  • • 操作步骤（在家里电脑）：
  • 第六步：提示输入密码解决方案
• 二、配置wsl训练环境
• • • 步骤 1：在 WSL 中安装 Miniconda（Python 环境管理器）
    • 步骤 2：创建专门的深度学习环境
    • 步骤3：配置镜像源
    • 步骤 4：安装 PyTorch 和常用库
• 三、配置家用电脑开发环
• • 准备阶段：在家用电脑上安装必要软件
  • 第一次建立SSH连接（关键步骤）
• 四、针对WSL系统的内网穿透
• • • 1. 第一步：在 WSL 中安装 Tailscale 客户端
    • 2. 第二步：启动 Tailscale 并登录账号
    • 3. 第三步：获取 WSL 的 Tailscale IP 并测试
    • 4. 为 WSL 配置 SSH 公钥登录
    • • （1）在 WSL 中创建 `.ssh` 文件夹和授权文件
      • （2）将家里的公钥添加到 WSL
      • （3）确保 WSL 的 SSH 服务已启用并运行
    • 总结：两个系统，两套配置
    • 5. 最终测试：从家里的电脑连接 WSL
    • 6. 安装速度太慢怎么办？
    • • （1）清理缓存并重新安装
      • （2）手动下载.deb包安装
    • 7.其他
• 五、在VS Code中操作远程文件
• • 建立ssh连接
  • • 如何使用这个配置
    • 重要提醒：WSL的SSH服务
  • 远程操作

一、内网穿透

整体流程概览（共 5 步）

第一步：在公司电脑上安装 WSL（Linux 系统）

WSL 是微软官方提供的“在 Windows 里运行 Linux”的工具。

第二步：在公司电脑上开启 SSH（允许家里远程登录）

Add-WindowsCapability –Online –Name OpenSSH.Server~~~~0.0.1.0

✅ 成功后会显示“已成功添加功能”

Start-Service sshd

（没报错就是成功）

Set-Service –Name sshd –StartupType 'Automatic'

（没报错就是成功）

✅ 第二步完成！ 公司电脑现在可以被远程登录了。

第三步：在两台电脑都安装 Tailscale（打通网络）

Tailscale 能让家里电脑“看见”公司电脑，就像它们在同一个 WiFi 下。

先在公司电脑安装：

稍后家里电脑也要登录同一个账号。

再在家里电脑安装：

查看公司电脑的 Tailscale 地址：

这个 IP 就是你家里连接公司电脑要用的地址！

✅ 第三步完成！ 两台电脑现在通过 Tailscale 连在一起了。

第四步：在家里电脑生成“钥匙”（安全登录用）

我们用“钥匙”代替密码，更安全也更方便。

操作步骤（在家里电脑做）：

找到公钥文件（id_rsa.pub）：

把“钥匙”交给公司电脑：

✅ 第四步完成！ 家里电脑现在可以用“钥匙”无密码登录公司电脑了。

第五步：在家里连接公司电脑，进入 Linux

操作步骤（在家里电脑）：

第六步：提示输入密码解决方案

一开始先跟着AI做了一些权限设置，但最关键的原因在于 在 sshd_config 中定义了两个不同的 AuthorizedKeysFile 路径，这会干扰 SSH 查找公钥。

解决方案（在公司电脑操作）

第一步：修改 SSH 配置文件

第二步：修改关键配置行

在记事本中，找到并修改以下几行：

修改前：

PubkeyAuthentication yes
AuthorizedKeysFile .ssh/authorized_keys
PasswordAuthentication yes
AuthorizedKeysFile __PROGRAMDATA__/ssh/administrators_authorized_keys

修改为：只使用用户目录的公钥

PubkeyAuthentication yes
AuthorizedKeysFile .ssh/authorized_keys
PasswordAuthentication no
# 注释掉或删除下面那行
# AuthorizedKeysFile __PROGRAMDATA__/ssh/administrators_authorized_keys

第三步：应用配置并重启服务

保存配置文件后，执行：

# 重启SSH服务
Restart-Service sshd

# 验证服务状态
Get-Service sshd

第四步：测试连接

回到家里电脑，尝试连接：

ssh -v lenovo@100.123.45.678

二、配置wsl训练环境

步骤 1：在 WSL 中安装 Miniconda（Python 环境管理器）

在 WSL 终端（你当前的 wsl 会话）中执行：

# 1. 下载Miniconda安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 2. 运行安装脚本
bash Miniconda3-latest-Linux-x86_64.sh

# 你会看到：
# ➤ 显示许可证协议（按空格翻页）
# ➤ 提示 "Do you accept the license terms? [yes|no]"
# 输入：yes 回车

# 3. 选择安装位置
# ➤ 提示 "Miniconda3 will now be installed into this location:"
# 直接按回车使用默认位置：/home/你的用户名/miniconda3

# 4. 初始化Conda
# ➤ 提示 "Do you wish the installer to initialize Miniconda3?"
# 输入：yes 回车

# 5. 使配置生效
source ~/.bashrc

完成后你会看到：命令提示符前出现 (base)，表示已激活 Conda 基础环境。

步骤 2：创建专门的深度学习环境

# 1. 创建新环境（命名为dl，Python 3.10）
conda create -n rllab python=3.10 -y

# 2. 激活环境
conda activate rllab

# 你会看到：(base) 变成 (rllab)

第一次创建可能会有接受anaconda服务条款的操作，按提示操作即可。

步骤3：配置镜像源

关于conda和pip的使用优先级见 安装库是优先用conda还是pip。

conda 镜像配置（在base）

# 1. 备份原配置
conda config –show channels

# 2. 添加清华镜像（替换默认源）
conda config –remove-key channels
conda config –add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config –add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config –add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config –set show_channel_urls yes

# 3. 可选：添加北京外国语镜像
conda config –add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/conda-forge/

# 4. 验证配置
conda config –show channels

pip 镜像配置（在任何环境均可）

# 1. 创建pip配置文件
mkdir -p ~/.pip

# 2. 配置清华pip镜像
cat > ~/.pip/pip.conf << EOF
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
extra-index-url =
https://mirrors.aliyun.com/pypi/simple/
https://pypi.org/simple
trusted-host =
pypi.tuna.tsinghua.edu.cn
mirrors.aliyun.com
pypi.org
timeout = 120
EOF

# 3. 验证
pip config list

步骤 4：安装 PyTorch 和常用库

# 确保在rllab环境
conda activate rllab
# 看到：(rllab) gonglab@hzh25:~$

# 安装基础科学库（conda，用清华镜像）
conda install numpy pandas matplotlib scipy jupyter ipython -y

# 安装PyTorch（根据你的CUDA版本，前面运行nvidia-smi的时候已经显示了）
# CUDA 12.x：
pip install torch torchvision torchaudio –index-url https://download.pytorch.org/whl/cu121

# 或CUDA 11.8：
pip install torch torchvision torchaudio –index-url https://download.pytorch.org/whl/cu118

三、配置家用电脑开发环

准备阶段：在家用电脑上安装必要软件

第1步：安装VS Code 第2步：安装Remote-SSH扩展 第3步：确认Tailscale已连接

第一次建立SSH连接（关键步骤）

第4步：在VS Code中启动连接

你会看到顶部弹出输入框：

Enter SSH connection command (e.g. user@host):

第5步：输入连接命令 在这里输入（替换为你的实际信息）：

lenovo@100.123.45.678

• lenovo：你的Windows用户名（公司电脑的）
• 100.123.45.678：你的Tailscale IP（公司电脑的）

按回车后：

第6步：连接主机

第一次连接的重要提示：

第7步：处理第一次连接的安全提示 你会看到弹窗：

The host's authenticity can't be established.
ECDSA key fingerprint is SHA256:xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
Are you sure you want to continue connecting?

这是正常的安全警告，因为第一次连接这台机器。

操作：

第8步：选择平台类型 接下来可能看到（可能没有这步）：

Select the platform of the remote host:
1. Linux
2. macOS
3. Windows

如果到目前为止都是按照前面的步骤做的，那选择Linux可能会报错，因为前面最一开始内网穿透其实是针对Windows系统配置的。但实际上我们最终需要的是Linux，因为我们要连接WSL。但是由于针对WSL的内网穿透要稍微麻烦点，所以把这一步放在后面。 这里先暂时选Windows。

第9步：输入密码（第一次需要） 重要：这是唯一一次需要输密码！

你会看到顶部弹窗：

Enter password for lenovo@100.123.45.678:

输入：你的Windows登录密码（公司电脑的密码）

注意：

• 输入时看不到字符，正常！
• 输完直接按回车
• 如果密码错误，会重新提示

第10步：等待连接完成 VS Code会：

连接成功标志：

四、针对WSL系统的内网穿透

前面在公司电脑上所做的配置实际上是针对Windows系统所做的内网穿透，因此还并不能使用该电脑上的WSL系统。 针对WSL系统需要单独再做一套内网穿透。

1. 第一步：在 WSL 中安装 Tailscale 客户端

操作：在 WSL 终端中，逐行复制粘贴以下命令并执行。

# 1. 导入Tailscale的GPG密钥和软件源（确保安装包来源可信）
curl -fsSL https://pkgs.tailscale.com/stable/ubuntu/focal.gpg | sudo apt-key add –
curl -fsSL https://pkgs.tailscale.com/stable/ubuntu/focal.list | sudo tee /etc/apt/sources.list.d/tailscale.list

执行后你应该会看到：

• 第一行命令执行后通常没有输出，或显示 OK。
• 第二行命令执行后会显示添加的软件源内容，例如：deb https://pkgs.tailscale.com/stable/ubuntu focal main

接着执行：

# 2. 更新软件包列表并安装Tailscale
sudo apt-get update
sudo apt-get install tailscale -y

执行后你应该会看到：

• update 命令会滚动刷新软件源列表。
• install 命令会显示安装进度，最后出现 Setting up tailscale (x.x.x) … 表示安装成功。

2. 第二步：启动 Tailscale 并登录账号

操作：继续在 WSL 终端中执行。

# 3. 启动Tailscale服务
sudo systemctl start tailscaled

执行后通常没有输出，表示启动成功。如果遇到 Failed to start tailscaled.service，不用慌，我们有一个备用方案，稍后解决。

接下来是关键步骤：登录。请执行：

# 4. 登录你的Tailscale账号（必须和Windows上的是同一个！）
sudo tailscale up

执行后你会看到： 终端会显示一个超链接，格式如下：

To authenticate, visit:
https://login.tailscale.com/a/xxxxxxxxxx

批准成功后，WSL 终端里会自动显示连接成功信息，例如：

Success.

3. 第三步：获取 WSL 的 Tailscale IP 并测试

操作：登录成功后，在 WSL 终端继续执行。

# 5. 查看WSL的Tailscale专属IP地址
tailscale ip

执行后你会看到： 会显示 1 个或 2 个 IP 地址，一个是 100.x.x.x (IPv 4)，一个是 fd7a:xxxx:xxxx::x (IPv 6)。 请记下 100 开头的这个 IPv 4 地址，例如 100.123.45.789。这个 IP 和你 Windows 的 Tailscale IP 不同。

验证网络状态：

# 6. 检查节点状态
tailscale status

你会看到类似输出，确认你的 WSL（主机名可能是 ubuntu 或 DESKTOP-XXX）状态为 Active：

100.123.45.789 ubuntu your-email@example.com Linux active

4. 为 WSL 配置 SSH 公钥登录

WSL 是一个独立的 Linux 系统，它有自己的用户账户和 SSH 配置。之前在 Windows 上配置的公钥（在 C:\\Users\\lenovo\\.ssh\\ 里）只对 Windows 的 SSH 服务有效。

现在需要把家里的公钥也配置到WSL 系统的 Linux 用户里。

在公司电脑上，进入 WSL 的 Ubuntu 终端，然后按以下步骤操作：

（1）在 WSL 中创建 .ssh 文件夹和授权文件

# 1. 进入你的用户主目录
cd ~

# 2. 创建 .ssh 目录并设置严格权限（非常重要！）
mkdir -p ~/.ssh
chmod 700 ~/.ssh

# 3. 创建 authorized_keys 文件并设置权限
touch ~/.ssh/authorized_keys
chmod 600 ~/.ssh/authorized_keys

（2）将家里的公钥添加到 WSL

现在需要把家里电脑 id_rsa.pub 的内容，放到 WSL 的 authorized_keys 文件里。

方法 A（推荐）：如果 WSL 可以访问 Windows 文件 先把家里电脑的. ssh/id_rsa. pub 文件发送到公司电脑的下载文件夹中。 在 WSL 终端执行：

# 1. 查看你家里公钥的内容（从Windows目录读取）
cat /mnt/c/Users/lenovo/Downloads/id_rsa.pub

# 2. 将公钥内容添加到WSL的授权文件
cat /mnt/c/Users/lenovo/Downloads/id_rsa.pub >> ~/.ssh/authorized_keys

注意：如果 Windows 用户名不是 lenovo，请替换路径中的 lenovo 为你的实际用户名。

方法 B：手动复制粘贴

（3）确保 WSL 的 SSH 服务已启用并运行

# 1. 确保SSH服务器已安装
sudo apt update
sudo apt install openssh-server -y

# 2. 启动SSH服务
sudo service ssh start # 或 sudo systemctl start ssh

# 3. 检查SSH服务状态
sudo service ssh status

如果状态显示 active (running) 就对了。

总结：两个系统，两套配置

现在你拥有了两套独立的 SSH 连接：

5. 最终测试：从家里的电脑连接 WSL

现在，回到你家里的电脑，打开命令提示符，尝试用新的 WSL IP进行连接：

ssh 你的WSL用户名@100.123.45.789

请将 你的WSL用户名 替换为你在 WSL 里创建的用户名（第一步安装 WSL 时设置的），将 100.123.45.789 替换为你刚刚记下的 IP。

如果连接成功，你会直接进入 WSL 的 Ubuntu 命令行，不再需要 Windows 密码。

6. 安装速度太慢怎么办？

安装Tailscale的时候发现下载速度极慢，哪怕根据AI的意见修改的镜像源、用了VPN还是没起色。后来还是在Windows下单独下载了.deb安装包，然后直接用安装包安装。

（1）清理缓存并重新安装

这是因为APT有断点续传和缓存机制，中断后会从缓存继续。如果之前用Ctrl+C中断了下载，可能需要彻底清理缓存，强制重新下载。

在WSL终端中，依次执行以下命令：

# 1. 清理已下载的tailscale缓存包（关键！）
sudo apt-get clean
sudo rm -rf /var/lib/apt/lists/*partial/*

# 2. 再次更新软件列表（使用新源）
sudo apt-get update

（2）手动下载.deb包安装

7.其他

家里电脑 SSH 连接失败？ 可能原因：WSL 内的 SSH 服务器没开。 解决：在公司电脑 WSL 内执行：

sudo apt install openssh-server -y
sudo service ssh start

然后再次尝试从家里连接。

成功后的关键点：两个独立 IP。现在你有了两个 Tailscale IP：一个是 Windows 的（如 100.123.45.678），一个是 WSL 的（如 100.123.45.789）。远程深度学习请使用 WSL 的 IP。

五、在VS Code中操作远程文件

建立ssh连接

建立ssh连接的过程和前面Windows下的基本一致。另外其实可以在家用电脑的 C:\\Users\\admin\\.ssh\\config 文件中做配置，这样之后ssh连接的名称就不用记IP了。下面是一个示例：

# 公司电脑的WSL连接 (主用，用于深度学习开发)
Host company_wsl
HostName 100.123.45.789
User gonglab
# Port 22 可以省略，因为22是SSH默认端口
# IdentityFile ~/.ssh/id_rsa # 如果密钥不是默认位置可以指定

# 公司电脑的Windows连接（备用，用于管理Windows文件或服务）
Host company_win
HostName 100.123.45.678
User lenovo
# Port 22 同样可以省略

如何使用这个配置

重要提醒：WSL的SSH服务

确保WSL内的SSH服务正在运行，这是连接成功的前提。如果之前没配置，需要在公司电脑的WSL终端中执行：

sudo apt update && sudo apt install openssh-server -y
sudo service ssh start
# 可选：设置开机自启（对于WSL，需要配置Windows任务计划，较为复杂，通常手动启动即可）

远程操作

需要注意的是在WSL中需要重新安装python等插件，对于代码也要选择对应的python解释器，否则解析不了安装的库。

打开远程文件夹,在终端中输入：

cd /mnt/d/Academic/projects
code .

下面是一个示例代码，如果能运行则意味着上述配置成功。

import gymnasium as gym
import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np

# ————————–
# 1. 定义简单的深度Q网络（DQN）
# ————————–
class SimpleDQN(nn.Module):
def __init__(self, state_dim, action_dim):
super(SimpleDQN, self).__init__()
# 极简的全连接网络，适合CartPole这种简单环境
self.fc = nn.Sequential(
nn.Linear(state_dim, 64), # 输入层：状态维度→隐藏层
nn.ReLU(), # 激活函数
nn.Linear(64, action_dim) # 输出层：隐藏层→动作维度
)

def forward(self, x):
return self.fc(x)

# ————————–
# 2. 环境初始化与参数设置
# ————————–
# 创建CartPole环境（经典控制任务，状态维度4，动作维度2）
env = gym.make("CartPole-v1")
state_dim = env.observation_space.shape[0] # 状态维度：4
action_dim = env.action_space.n # 动作维度：2（左/右）

# 初始化模型、优化器和损失函数
model = SimpleDQN(state_dim, action_dim)
optimizer = optim.Adam(model.parameters(), lr=0.001)
criterion = nn.MSELoss()

# ————————–
# 3. 极简的训练循环（仅用于环境测试）
# ————————–
def test_training_step():
# 重置环境，获取初始状态
state, _ = env.reset()
total_reward = 0
done = False

while not done:
# 将状态转换为PyTorch张量（适配模型输入）
state_tensor = torch.FloatTensor(state).unsqueeze(0)

# 模型预测动作价值
q_values = model(state_tensor)

# 随机选择动作（简化版，实际DQN会用ε-贪心策略）
action = np.random.choice(action_dim)

# 执行动作，获取环境反馈
next_state, reward, terminated, truncated, _ = env.step(action)
done = terminated or truncated # 任务结束标志
total_reward += reward

# ————————–
# 极简的DQN更新逻辑（仅用于测试）
# ————————–
# 目标Q值（简化：直接用即时奖励）
target_q = torch.FloatTensor([reward])
# 当前Q值（模型预测的选中动作的价值）
current_q = q_values.squeeze(0)[action]
# 计算损失并更新模型
loss = criterion(current_q, target_q)
optimizer.zero_grad()
loss.backward()
optimizer.step()

# 更新状态
state = next_state

return total_reward

# ————————–
# 4. 运行测试
# ————————–
if __name__ == "__main__":
# 打印环境和设备信息（验证配置）
print(f"✅ 环境加载成功：CartPole-v1")
print(f"✅ 状态维度：{state_dim}，动作维度：{action_dim}")
print(f"✅ PyTorch设备：{'GPU' if torch.cuda.is_available() else 'CPU'}")

# 运行5个测试回合
for episode in range(5):
reward = test_training_step()
print(f"回合 {episode+1} | 总奖励：{reward}")

# 关闭环境
env.close()
print("\\n🎉 所有测试完成！如果没有报错，说明你的DRL环境配置正常。")