CUDA安装

• CUDA安装经历了几天的安装终于把CUDA安装上了。
  
• 1.cuda官方下载网址，目前最新版本为cuda7.5，选择自己系统对应的版本下载安装程序。
• 2.运行cuda_ 7.5.18_windows.exe，程序会检测系统的兼容性如下图： 
  

• 3.选择“同意并继续”，进入下图安装过程 （备注：安装cuda时，要关闭所有的vs程序） 
  

• 4.等待大概半个小时后，安装程序终于完成了。

1.2 添加环境变量

CUDA_PATH = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5
CUDA_PATH_V7_5 = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v7.5
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

然后，在系统变量path的末尾添加： %CUDA_LIB_PATH%；%CUDA_BIN_PATH%；%CUDA_SDK_BIN_PATH%；%CUDA_SDK_LIB_PATH%；

1.3 重启计算机使得环境变量生效

1.4 VS2013 + CUDA7.5配置

• 1.打开vs2013并创建一个空win32程序,创建一个cuda_samples的解决方案和cuda_test1项目： 
  
• 2.右键源文件–>添加–>新建项，如下图所示：

• 3.选择NIVIDIA CUDA7.5中 CUDA C/C++file，并在名称那填上cuda_main

• 4.选择cuda_test1，点击右键–>项目依赖项–>自定义生成

• 5.选择CUDA7.5

• 6.点击cuda_main.cu的属性

• 1. 在配置属性–>常规–>项类型–>选择“CUDA C/C++”

1.5 项目配置

1.5.1 x64

1.5.1.1 包含目录配置

• 1.右键点击项目属性–>属性–>配置属性–>VC++目录–>包含目录
• 2.添加包含目录： 
  $(CUDA_PATH)\include

1.5.1.2 库目录配置

• 1.VC++目录–>库目录
• 2.添加库目录： 
  $(CUDA_PATH)\lib\x64

1.5.1.3 依赖项

• 1. 配置属性–>连接器–>输入–>附加依赖项
• 1. 添加库文件： 
     cudlas.lib 
cuda.lib 
cudadevrt.lib 
cudart.lib 
cudart_static.lib 
nvcuvid.lib 
OpenCL.lib

注意：添加nvcuvenc.lib库文件，编译时，报找不到该文件的错误。去掉后，程序也能运行

1.5.2 x86(win32)

1.5.2.1 包含目录配置

• 1. 右键点击项目属性–>属性–>配置属性–>VC++目录–>包含目录
• 1. 添加包含目录： 
     $(CUDA_PATH)\include

1.5.2.2 库目录配置

• 1.VC++目录–>库目录
• 2.添加库目录： 
  $(CUDA_PATH)\lib\Win32

1.5.2.3 依赖项

• 1. 配置属性–>连接器–>输入–>附加依赖项
• 1. 添加库文件： 
     cuda.lib 
cudadevrt.lib 
cudart.lib 
cudart_static.lib 
nvcuvid.lib 
OpenCL.lib

备注： win32和x64位的lib库有差别，配置时需注意，除了上述添加的lib文件外，x64还有其他的lib库文件，如cudlas.lib,如运行1.6的样例时，要添加这个库，不然会编译失败。

1.6 样例

/**

*  addition: C = A + B.

*

* This sample is a very basic sample that implements element by element

* vector addition. It is the same as the sample illustrating Chapter 2

* of the programming guide with some additions like error checking.

*/



#include 
    
    
     
     

#include 
     
     
      
      

// For the CUDA runtime routines (prefixed with "cuda_")

#include 
      
      
       
       



/**

* CUDA Kernel Device code

*

* Computes the vector addition of A and B into C. The 3 vectors have the same

* number of elements numElements.

*/





__global__ void Add(int a, int b, int *c)

{

	*c = a + b;

}



int main()

{

	int c;

	int *devc;

	cudaError_t err = cudaSuccess;

	err = cudaMalloc((void **)&devc, sizeof(int));

	if (err != cudaSuccess)

	{

		fprintf(stderr, "Failed to allocate device vector A (error code %s)!\n", cudaGetErrorString(err));

		exit(EXIT_FAILURE);

	}

	Add << <1, 1 >> >(2, 7, devc);

	err = cudaMemcpy(&c, devc, sizeof(int), cudaMemcpyDeviceToHost);

	if (err != cudaSuccess)

	{

		fprintf(stderr, "Failed to allocate device vector A (error code %s)!\n", cudaGetErrorString(err));

		exit(EXIT_FAILURE);

	}

	printf("2+7=%d\n", c);

	cudaFree(devc);

	system("pause");

	return 0;

}
empty
      
      
     
     
    
    

输出效果

另一个实例

// CUDA runtime 库 + CUBLAS 库 
#include "cuda_runtime.h" 
#include "cublas_v2.h" 
#include <time.h> 
#include <iostream> 

using namespace std;
// 定义测试矩阵的维度 
int const M = 5;
int const N = 10;
int main()
{
// 定义状态变量 
cublasStatus_t status; 
// 在内存中为将要计算的矩阵开辟空间 
float *h_A = (float*)malloc(N*M*sizeof(float));
float *h_B = (float*)malloc(N*M*sizeof(float));
// 在 内存 中为将要存放运算结果的矩阵开辟空间 
float *h_C = (float*)malloc(M*M*sizeof(float));
// 为待运算矩阵的元素赋予 0-10 范围内的随机数 
for (int i = 0; i<N*M; i++) {
    h_A[i] = (float)(rand() % 10 + 1);
    h_B[i] = (float)(rand() % 10 + 1);
}
// 打印待测试的矩阵 
cout << "矩阵 A :" << endl;
for (int i = 0; i<N*M; i++){
    cout << h_A[i] << " ";
    if ((i + 1) % N == 0) cout << endl;
}
cout << endl;
cout << "矩阵 B :" << endl;
for (int i = 0; i<N*M; i++){
    cout << h_B[i] << " ";
    if ((i + 1) % M == 0) cout << endl;
}
cout << endl;
/*
    ** GPU 计算矩阵相乘
    */
// 创建并初始化 CUBLAS 库对象
cublasHandle_t handle;
status = cublasCreate(&handle);
if (status != CUBLAS_STATUS_SUCCESS)
{
    if (status == CUBLAS_STATUS_NOT_INITIALIZED) {
        cout << "CUBLAS 对象实例化出错" << endl;
    }
    getchar();
    return EXIT_FAILURE;
}
float *d_A, *d_B, *d_C;
// 在 显存 中为将要计算的矩阵开辟空间 
cudaMalloc(
    (void**)&d_A, // 指向开辟的空间的指针 
    N*M * sizeof(float) //　需要开辟空间的字节数 
    );
cudaMalloc(
    (void**)&d_B,
    N*M * sizeof(float)
    );
// 在 显存 中为将要存放运算结果的矩阵开辟空间 
cudaMalloc(
    (void**)&d_C,
    M*M * sizeof(float)
    );
// 将矩阵数据传递进 显存 中已经开辟好了的空间 
cublasSetVector(
    N*M, // 要存入显存的元素个数 
    sizeof(float), // 每个元素大小 
    h_A, // 主机端起始地址 
    1, // 连续元素之间的存储间隔 
    d_A, // GPU 端起始地址 
    1 // 连续元素之间的存储间隔 
    );
cublasSetVector(
    N*M,
    sizeof(float),
    h_B,
    1,
    d_B,
    1
    );
// 同步函数
cudaThreadSynchronize();
// 传递进矩阵相乘函数中的参数，具体含义请参考函数手册。 
float a = 1; float b = 0;
// 矩阵相乘。该函数必然将数组解析成列优先数组 
cublasSgemm(
    handle, // blas 库对象 
    CUBLAS_OP_T, // 矩阵 A 属性参数 
    CUBLAS_OP_T, // 矩阵 B 属性参数
    M, // A, C 的行数 
    M, // B, C 的列数
    N, // A 的列数和 B 的行数
    &a, // 运算式的 α 值 
    d_A, // A 在显存中的地址 
    N, // lda 
    d_B, // B 在显存中的地址 
    M, // ldb 
    &b, // 运算式的 β 值 
    d_C, // C 在显存中的地址(结果矩阵) 
    M // 
    );
// 同步函数 
cudaThreadSynchronize();
// 从 显存 中取出运算结果至 内存中去
cublasGetVector(M*M, // 要取出元素的个数 
    sizeof(float), // 每个元素大小 
    d_C, // GPU 端起始地址 
    1, // 连续元素之间的存储间隔 
    h_C, // 主机端起始地址
    1 // 连续元素之间的存储间隔 
    );
// 打印运算结果 
cout << "计算结果的转置 ( (A*B)的转置 )：" << endl;
for (int i = 0; i<M*M; i++){
    cout << h_C[i] << " ";
    if ((i + 1) % M == 0) cout << endl;
}
// 清理掉使用过的内存 
free(h_A);
free(h_B);
free(h_C);
cudaFree(d_A);
cudaFree(d_B);
cudaFree(d_C);
// 释放 CUBLAS 库对象
cublasDestroy(handle);
getchar();
return 0;
}

运行结果如下图所示：

参考 http://blog.csdn.net/u011314529/article/details/51505029

点击打开链接