PointNet++等3D点云中用到的.cu、.cpp文件的编译的简单理解

---

1：cuda-c

Cuda-c 极大程度的方便了我们利用GPU并行处理来加快自己程序的运行速度，但是大多情况下我们的程序是一个极为庞大的工程项目，在这个项目中我们只需要利用cuda来加快其中某一块算法的运行效率，所以很多情况下利用cpp文件来调用cu中的kernel函数，从而完成程序的并行运算。虽然cuda5.0之后可以直接从vs中生成现有的cuda项目，但是利用cpp来调用cu文件的项目还是需要我们自己来进行配置的。

---

2：一个简单的配置流程

从一个例子先简单看一下其实现和调用过程：
１.　首先假定我们已经写好了调用gpu运算的.cu文件，如下图所示。在这个文件中，我们首先定义调用global设备函数的主函数

 testghmain（）;

并在其前面加上extern “C” ，这个文件定义了ａ、ｂ两个数组， 并利用gpu来实现c=a+b的运算。

２.　在我们的工程中，需要调用上面这个.cu文件中的函数进行并行加速的cpp文件中，对testghmain();函数进行调用，所以在文件前面需要对其进行事先声明。

　　extern “C” int testghmain();

3. 之后，在上面这个.cpp文件中，需要的地方直接调用testghmain（）。

在这里我们声明了一个MFC的控件响应函数OnBnClickedbutton来调用testghmain()，当用户点击这个button时，程序首先调用.cu文件中的testghmain函数，而testghmain函数会调用global设备函数，通过gpu实现c=a+b的运算，并把计算结果最终返回给用户。

---

3：.cu、.cpp的关系

从上面的例子中就可以看出，.cu其实就是一个函数，但是需要用cuda的命令进行编译，然后用.cpp文件进行调用里面的函数。
即：
项目中用到cuda编程，写了kernel函数，需要nvcc编译器来编译。.c/.cpp的文件，假定用gcc编译。

如何混合编译它们，整体思路是：.cu文件编译出的东西，作为最终编译出的可执行程序的链接依赖。

---

4：混合编译.cu、.cpp

以inux系统为例子：
1）分别编译各个文件，最后链接

nvcc -c test1.cu
gcc -c test2.c
gcc -o testc test1.o test2.o -lcudart -L/usr/local/cuda/lib64

2）将cuda编译成静态库，gcc编译cpp（不太懂）

nvcc -lib test1.cu -o libtestcu.a
gcc test2.c -ltestcu -L. -lcudart -L/usr/local/cuda/lib64

3）将cuda编译成动态库，gcc编译cpp（不太懂）

all: c

c: libtestcu.so
    gcc test2.c -ltestcu -L. -lcudart -L/usr/local/cuda/lib64 -o testc

libtestcu.so: test.cu
    nvcc -o libtestcu.so -shared -Xcompiler -fPIC test1.cu

补充：
4）将cpp编译成动态库.so

g++ -std=c++11 -shared ./3d_interpolation/tf_interpolate.cpp -o ./3d_interpolation/tf_interpolate_so.so 

PointNet++例子：
1.将.cu文件进行编译成.o

$CUDA_ROOT/bin/nvcc ./grouping/tf_grouping_g.cu -o ./grouping/tf_grouping_g.cu.o -c -O2 -DGOOGLE_CUDA=1 -x cu -Xcompiler -fPIC

2.将cpp文件编译成动态库.so

g++ -std=c++11 -shared ./3d_interpolation/tf_interpolate.cpp -o ./3d_interpolation/tf_interpolate_so.so  -I $CUDA_ROOT/include -lcudart -L $CUDA_ROOT/lib64/ -fPIC ${TF_CFLAGS} ${TF_LFLAGS} -O2

3.将.cpp文件和.o文件编译成动态库.so

g++ -std=c++11 -shared ./grouping/tf_grouping.cpp ./grouping/tf_grouping_g.cu.o -o ./grouping/tf_grouping_so.so -I $CUDA_ROOT/include -L $CUDA_ROOT/lib64/ -fPIC ${TF_CFLAGS} ${TF_LFLAGS} -O2

4.python文件调用动态链接库.so

---

5：动态链接库（windows、linux）

在Linux上，动态库的加载机制和在Windows上完全不一样（其实应该叫做【共享库】才对，动态库是Windows的概念，Windows上为*.dll，Linux上为*.so。dll：dynamic link library，即：动态链接库。so：share object(library)，即：共享库。）
1、在Windows上
一个可执行程序会先在当前目录下找需要的动态库（*.dll）文件，如果当前目录下有，则加载。如果当前目录没有，才会去系统的环境变量目录下去找，如果找到了，则加载，如果连环境变量中都找不到，将报错。

2、在Linux上
一个可执行程序会直接去 “环境变量目录下” 找共享库（*.so），如果找不到，则报错。

“环境变量目录下” 打了引号，因为这更像是一个专门用于【共享库】的环境变量，Linux的环境变量应该是PATH（可在终端输入这个查看：echo>$PATH），PATH跟Windows上的环境变量又不一样，PATH描述的是Linux命令的一个路径，而Windows上的环境变量描述的是命令+ 库。Linux的库的加载，由 /etc/ld.so.conf 和 /etc/ld.so.conf.d/*.conf 来进行加载的，不妨一个一个打开看看就一切都明白了。

---

、

6：NVCC学习笔记

见链接：https://wangpengcheng.github.io/2019/04/17/nvcc_learn_note/

7：g++的一些常用命令

1）引入头文件

当我们只编译一个main.cpp文件时输入：

g++ -o a.out main.cpp

当我们需要编译一个头文件和一个源文件如：common.h和main.cpp文件时：
假设common.h与main.cpp在同一文件夹下：

g++ -o a.out main.cpp -I .

common.h在/home/user/include文件夹下：

g++ -o a.out main.cpp -I /home/user/include/

注：可以在我提供的实例代码中发现，我在引用common.h时使用的是<common.h>其意义是去系统路径下找该文件，所以需要将目录/home/user/include/添加到此次编译的系统路径。如果是“common.h”则先在系统路径下找，再在到当前目录下找。所以如果是“common.h”，则不需要添加 -I /home/user/include/ 只写g++ -o a.out main.cpp即可。

2）编译多个源文件
当我们需要编译一个头文件和两个源文件如：common.h，common.cpp和main.cpp文件时：

g++ -o a.out main.cpp common.cpp -I /home/user/include/

3）调试
想要调试，我们需要生成具有调试信息可执行文件。
当我们需要调试上面的程序时，需要先编译，在编译时要加一个编译器参数（-g）来添加调试信息，命令如下：

g++ -g -o a.out main.cpp common.cpp -I .

4）实例
common.h:

#ifndef COMMON_H
#define COMMON_H

#include <iostream>
class A
{
public:
    void foo();
};

#endif

common.cpp:

#include <common.h>

void A::foo()
{
    std::cout<<"foo..."<<std::endl;
}

main.cpp:

#include <common.h>
int main()
{
    A a;
    a.foo();
    return 0;
}

命令行输入：

g++ -g -o a.out main.cpp common.cpp -I .

https://blog.csdn.net/fb_help/article/details/79248876

参考链接：
https://blog.csdn.net/gh234505/article/details/51182490/
https://www.cnblogs.com/zjutzz/p/10272424.html