写在前面
我还以为不会有人看呢， 得认知整理一下， 写的有问题的话可以提出交流。
RTX 2060 显卡支持
RTX 2060 是一款NVIDIA推出的显卡，其支持 CUDA 加速技术，下面将详细介绍其支持的情况和使用方法。
CUDA 是一种针对NVIDIA GPU的并行计算平台和编程模型，通过 CUDA 编写程序可以利用GPU的并行处理能力加速计算。对于 RTX 2060 来说，其采用了 Turing 架构，支持 CUDA 10.1 和以上版本，可以充分发挥GPU的计算能力。
window环境搭建
参考网站
CUDA学习：Windows下的CUDA环境配置_cuda环境变量-CSDN博客
1. 略述
主要干两件事：
(1) 安装两个API，CUDA提供两层API接口，CUDA驱动（driver）API 和 CUDA运行时（runtime）API。所以要安装两个API，一个是显卡驱动(drivers)，一个是cuda运行时工具包（toolkit）。它们的关系如图所示。
（2）Visual Studio 开发环境配置。
2.下载显卡驱动和CUDA Toolkit工具包
(1) 查看显卡信息
要使用nvidia-smi指令，必须先安装NUIDIA的CUDA驱动，一般会自带驱动，只是版本不是最新的。
打开终端，输入nvidia-smi，本机显卡的显卡驱动版本为:551.86(driver) CUDA支持版本为:12.4（toolkit）（这个是我安装好之后的）。
在查看完电脑的显卡信息后,需要对显卡驱动版本和CUDA版本对应的CUDA Toolkit工具包进行确认.
或者使用“DirectX诊断工具”查看显卡信息：
按下“Win+R”组合键打开“运行”，输入“dxdiag”。
点击“确定”后，在“DirectX诊断工具”中可以看到显卡型号、显存容量等详细信息。
(2) 下载显卡驱动
地址：Official Drivers | NVIDIA
search之后直接点击下载
(3) 下载CUDA Toolkit工具箱
地址：CUDA Toolkit Archive | NVIDIA Developer
安装完毕后也可以通过nvidia-smi指令查看安装的对不对。
3. VS2019配置
(1) 添加环境变量
查看环境变量
安装完成后,系统环境变量中自动被添加上了如下所示的两个环境变量(版本号对应用户所下载的版本号)。
添加环境变量：
用户需要手动添加以下的环境变量:
CUDA_BIN_PATH=%CUDA_PAT%\bin
CUDA_LIB_PATH=%CUDA_PATH%\lib\x64
CUDA_SDK_BIN_PATH=%CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH=%CUDA_SDK_PATH%\common\lib\x64
CUDA_SKD_PATH=C:\ProgramData\NVIDIA Corporation\CUDA Sample\v12.4
添加上述环境变量后,在系统环境变量Path中添加下列路径:
%CUDA_BIN_PATH%
%CUDA_LIB_PATH%
%CUDA_SDK_BIN_PATH%
%CUDA_SDK_LIB_path%
(2) 查看CUDA是否安装成功
在命令行中输入:nvcc --version查看nvcc编译器版本,如下图所示
(3) 查看设置的环境变量情况
在命令行中输入:set cuda,查看设置的环境变量情况.如下所示：
(4) 验证CUDA是否安装成功
进入目录：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\extras\demo_suite
终端执行deviceQuery.exe 结果如下 ，运行结果为result=PASS则说明CUDA安装成功。
deviceQuery.exe Starting...
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "NVIDIA GeForce RTX 2060"
CUDA Driver Version / Runtime Version 12.4 / 12.4
CUDA Capability Major/Minor version number: 7.5
Total amount of global memory: 6144 MBytes (6442123264 bytes)
(30) Multiprocessors, ( 64) CUDA Cores/MP: 1920 CUDA Cores
GPU Max Clock rate: 1350 MHz (1.35 GHz)
Memory Clock rate: 5501 Mhz
Memory Bus Width: 192-bit
L2 Cache Size: 3145728 bytes
Maximum Texture Dimension Size (x,y,z) 1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
Maximum Layered 1D Texture Size, (num) layers 1D=(32768), 2048 layers
Maximum Layered 2D Texture Size, (num) layers 2D=(32768, 32768), 2048 layers
Total amount of constant memory: zu bytes
Total amount of shared memory per block: zu bytes
Total number of registers available per block: 65536
Warp size: 32
Maximum number of threads per multiprocessor: 1024
Maximum number of threads per block: 1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)
Maximum memory pitch: zu bytes
Texture alignment: zu bytes
Concurrent copy and kernel execution: Yes with 2 copy engine(s)
Run time limit on kernels: Yes
Integrated GPU sharing Host Memory: No
Support host page-locked memory mapping: Yes
Alignment requirement for Surfaces: Yes
Device has ECC support: Disabled
CUDA Device Driver Mode (TCC or WDDM): WDDM (Windows Display Driver Model)
Device supports Unified Addressing (UVA): Yes
Device supports Compute Preemption: Yes
Supports Cooperative Kernel Launch: Yes
Supports MultiDevice Co-op Kernel Launch: No
Device PCI Domain ID / Bus ID / location ID: 0 / 1 / 0
Compute Mode:
< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 12.4, CUDA Runtime Version = 12.4, NumDevs = 1, Device0 = NVIDIA GeForce RTX 2060
**Result = PASS**
终端执行bandwidthTest.exe 结果如下 ，运行结果为result=PASS则说明CUDA安装成功。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\extras\demo_suite>bandwidthTest.exe
[CUDA Bandwidth Test] - Starting...
Running on...
Device 0: NVIDIA GeForce RTX 2060
Quick Mode
Host to Device Bandwidth, 1 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 6497.3
Device to Host Bandwidth, 1 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 6425.2
Device to Device Bandwidth, 1 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 144153.3
Result = PASS
NOTE: The CUDA Samples are not meant for performance measurements. Results may vary when GPU Boost is enabled.
(5) 在VS2019下配置CUDA调试环境
打开VS2019，新建空项目，右键项目，选择“生成依赖项”，选择“生成自定义”，在"生成自定义"中勾选"CUDA",如下所示:
在空项目中新建后缀为.cu的源文件.右键该文件,选择"属性"->“常规”->“项类型”.将"项类型设置为:CUDA C/C++.如下所示:
完成上述步骤后进行项目配置.右键项目,选择属性.配置选所有配置(即debug和Realise配置一致).
然后分平台(x64和win32)分别进行配置
x64平台下的配置
- 包含目录配置
项目->“属性”->“配置属性”->“VC++目录”->"包含目录
添加包含目录:$(CUDA_PATH)\include
- 库目录配置
“VC++目录”->“库目录”
添加库目录:$(CUDA_PATH)\lib\x64
- 依赖项
“配置属性”->“链接器”->“输入”->“附加依赖项”
添加库文件(库文件数量较多,默认存储路径为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\lib\x64,可在该路径下自己添加依赖项):
cublas.lib;cuda.lib;cudadevrt.lib;cudart.lib;cudart_static.lib;OpenCL.lib
Win32平台下的配置
- 包含目录与x64相同
- 库目录配置
添加库目录:$(CUDA_PATH)\lib\Win32
- 依赖项
添加库文件(Win32平台与x64平台的库文件不相同):
cuda.lib;cudadevrt.lib;cudart.lib;cudart_static.lib;OpenCL.lib
(6) 配置VS2019下的NsightGPU代码编译器
在VS2019的"扩展"->“管理扩展"中联机搜索"nsight”,下载"NVIDIA Nsight Intergration"的扩展组件,用于在VS中调试GPU代码.如下所示.
拓展下载完成后,可以使用该扩展对GPU代码进行编程.
在GPU的核函数中添加断点,点击"Start CUDA Debugging(Next-Gen)“便可进入GPU代码的调试,调试过程与VS调试CPU代码相同
使用"CUDA Debugging"只能对GPU部分的代码进行调试,即只能对核函数进行调试,不能对CPU代码进行调试
使用VS2019中的"本地Windows调试器”**只能对CPU部分的代码进行调试,无法调试GPU部分的代码
使用下面给出的测试程序进行测试,查看能否正常运行.
(7) 测试代码
test1代码
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include<iostream>
#include <stdio.h>
using namespace std;
constexpr size_t MAXSIZE = 20;
__global__ void addKernel(int* const c, const int* const b, const int* const a)
{
int i = threadIdx.x;
c[i] = a[i] + b[i];
}
int main()
{
constexpr size_t length = 6;
int host_a[length] = { 1,2,3,4,5,6 };
int host_b[length] = { 10,20,30,40,50,60 };
int host_c[length];
//为三个向量在GPU上分配显存
int* dev_a, *dev_b, *dev_c;
cudaMalloc((void**)&dev_c, length * sizeof(int));
cudaMalloc((void**)&dev_a, length * sizeof(int));
cudaMalloc((void**)&dev_b, length * sizeof(int));
//将主机端的数据拷贝到设备端
cudaMemcpy(dev_a, host_a, length * sizeof(int), cudaMemcpyHostToDevice);
cudaMemcpy(dev_b, host_b, length * sizeof(int), cudaMemcpyHostToDevice);
cudaMemcpy(dev_c, host_c, length * sizeof(int), cudaMemcpyHostToDevice);
//在GPU上运行核函数，每个线程进行一个元素的计算
addKernel << <1, length >> > (dev_c, dev_b, dev_a);
//将设备端的运算结果拷贝回主机端
cudaMemcpy(host_c, dev_c, length * sizeof(int), cudaMemcpyDeviceToHost);
//释放显存
cudaFree(dev_a);
cudaFree(dev_b);
cudaFree(dev_c);
for (int i = 0; i < length; ++i)
cout << host_c[i] << " ";
cout << endl;
getchar();
system("pause");
return 0;
}
结果： 11 22 33 44 55 66
test2代码
#include <stdio.h>
#include <cuda_runtime.h>
#define N 10000
__global__ void add(int *a, int *b, int *c)
{
int tid = blockIdx.x * blockDim.x + threadIdx.x; // 计算线程ID
if(tid < N)
c[tid] = a[tid] + b[tid]; // 计算向量元素和
}
int main()
{
int a[N], b[N], c[N];
int *dev_a, *dev_b, *dev_c;
cudaMalloc((void**)&dev_a, N * sizeof(int));
cudaMalloc((void**)&dev_b, N * sizeof(int));
cudaMalloc((void**)&dev_c, N * sizeof(int));
for(int i = 0; i < N; i++)
{
a[i] = i;
b[i] = i;
}
cudaMemcpy(dev_a, a, N * sizeof(int), cudaMemcpyHostToDevice);
cudaMemcpy(dev_b, b, N * sizeof(int), cudaMemcpyHostToDevice);
add<<<(N + 255) / 256, 256>>>(dev_a, dev_b, dev_c); // 启动CUDA核函数
cudaMemcpy(c, dev_c, N * sizeof(int), cudaMemcpyDeviceToHost);
cudaFree(dev_a);
cudaFree(dev_b);
cudaFree(dev_c);
int sum = 0;
for(int i = 0; i < N; i++)
sum += c[i];
printf("The sum is %d\n", sum); // 输出向量和
return 0;
}
结果：The sum is 99990000
test3代码
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include<iostream>
int main()
{
int dev = 0;
cudaDeviceProp devProp;
cudaGetDeviceProperties(&devProp, dev);
std::cout << "使用GPU device " << dev << ": " << devProp.name << std::endl;
std::cout << "SM的数量：" << devProp.multiProcessorCount << std::endl;
std::cout << "每个线程块的共享内存大小：" << devProp.sharedMemPerBlock / 1024.0 << " KB" << std::endl;
std::cout << "每个线程块的最大线程数：" << devProp.maxThreadsPerBlock << std::endl;
std::cout << "每个SM的最大线程数：" << devProp.maxThreadsPerMultiProcessor << std::endl;
std::cout << "每个SM的最大线程束数：" << devProp.maxThreadsPerMultiProcessor / 32 <<std::endl;
return 0;
}
结果：
使用GPU device 0: NVIDIA GeForce RTX 2060
SM的数量：30
每个线程块的共享内存大小：48 KB
每个线程块的最大线程数：1024
每个SM的最大线程数：1024
每个SM的最大线程束数：32
Linux 的 Windows 子系统搭建（没成功 待完善）
可能原因：
使用win中Linux 的 Windows 子系统 (WSL)
错误：下载CUDA Toolkit版本太低了
子系统运行错误
Installing, this may take a few minutes...
WslRegisterDistribution failed with error: 0x8007019e
Error: 0x8007019e ??????? Linux ? Windows ????
处理：
这个错误信息 WslRegisterDistribution failed with error: 0x8007019e 是在安装适用于 Linux 的 Windows 子系统 (WSL) 时遇到的。错误代码 0x8007019e 通常表示 ERROR_INVALID_FUNCTION，意味着你尝试调用的函数或操作在当前的上下文或配置中是不允许的。
WSL 未启用：确保你已经启用了 WSL 功能。你可以通过打开“控制面板” > “程序” > “程序和功能” > “启用或关闭 Windows 功能”，然后勾选“适用于 Linux 的 Windows 子系统”和“虚拟机平台”（如果需要运行 WSL 2）来启用它。
安装参考网址：
【AI】搭建Windows Linux子系统（WSL2）CUDA环境_wsl安装cuda toolkit-CSDN博客
WSL安装CUDA Toolkit 问题
[INFO]: Executing NVIDIA-Linux-x86_64-418.87.00.run --ui=none --no-questions --accept-license --disable-nouveau --no-cc-version-check --install-libglvnd 2>&1
[INFO]: Finished with code: 256
[ERROR]: Install of driver component failed.
[ERROR]: Install of 418.87.00 failed, quitting
解释
在Windows Subsystem for Linux (WSL) 中安装CUDA Toolkit时遇到的问题提示表明驱动组件安装失败，这通常是因为WSL不支持直接安装NVIDIA显卡驱动。WSL主要用于在Windows环境中运行Linux二进制文件，它并不支持GPU加速，因此不能安装CUDA驱动。
CUDA Toolkit中的驱动组件是针对直接运行在物理硬件上的Linux系统设计的，用于与NVIDIA GPU进行通信。然而，WSL并不直接访问物理GPU硬件，因此不能安装和使用这些驱动。
扫一扫
1244
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
