VS2017+CUDA开发环境的配置

FILWY_M

已于 2022-03-24 19:54:44 修改

阅读量4.6k

点赞数 7

分类专栏： GPU并行计算文章标签： visual studio ide visualstudio

于 2021-12-11 17:27:58 首次发布

本文链接：https://blog.csdn.net/qq_43715171/article/details/121876316

版权

GPU并行计算专栏收录该内容

3 篇文章 6 订阅

订阅专栏

GPU开发环境配置

一、VS2017安装

下载VS

下载链接：需要登陆微软账号，没有注册一个即可

Tips： 如果发现打不开，或者速度很慢，可以设置一下DNS服务器地址，操作方法如下

打开Windows设置，选择网络和Internet

打开网络和共享中心

选择当前连接的网络，然后点击属性

打开Internet协议版本4（TCP/IPv4）

照着下图进行配置，将DNS服务器配置为4.2.2.2

设置完DNS服务器之后再打开微软的网站，可以发现速度快多了。
安装VS

安装组件选择，只需要选择最基本的C/C++开发即可

安装位置更改，这里我将软件安装在了E盘，对于文件夹的命名不要出现中文！

点击安装即可

安装完成后打开界面如下

创建一个C++项目进行测试

点击确定，等待项目创建完成，项目会自动创建一个cpp文件，测试代码如下：

// test1.cpp : 此文件包含 "main" 函数。程序执行将在此处开始并结束。
//

#include <iostream>

int main()
{
    std::cout << "Hello World!\n";
}

// 运行程序: Ctrl + F5 或调试 >“开始执行(不调试)”菜单
// 调试程序: F5 或调试 >“开始调试”菜单

// 入门使用技巧: 
//   1. 使用解决方案资源管理器窗口添加/管理文件
//   2. 使用团队资源管理器窗口连接到源代码管理
//   3. 使用输出窗口查看生成输出和其他消息
//   4. 使用错误列表窗口查看错误
//   5. 转到“项目”>“添加新项”以创建新的代码文件，或转到“项目”>“添加现有项”以将现有代码文件添加到项目
//   6. 将来，若要再次打开此项目，请转到“文件”>“打开”>“项目”并选择 .sln 文件

执行程序：

可以看到控制台输出结果：

至此VS安装完毕，接下来进行CUDA的安装。

二、CUDA安装

下载CUDA

CUDA Toolkit Archive | NVIDIA Developer
安装CUDA

双击下载的exe，进行安装

使用默认路径即可

等待解压

解压完成后会自动跳转到下一步，首先会检查系统兼容性，等待，然后出现如下界面，证明系统兼容此版本CUDA。点击同意并继续

点击下一步，这里我选择自定义

选择安装组件，全部勾选

设置安装位置，这里我安装在E盘，然后点击下一步

等待安装

安装完成，点击关闭
添加系统变量

点击新建，按照下面的代码添加系统变量
```
CUDA_SDK_PATH = E:\NVIDIA Corporation\CUDA Samples\v10.1

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
```
如：添加CUDA_SDK_PATH = E:\NVIDIA Corporation\CUDA Samples\v10.1，如下图所示：

所有变量添加完成后的系统变量如下，注意检查变量中不能有多余的空格。

其中CUDA_PATH和CUDA_V10_1是安装CUDA时自动添加的。CUDA _PATH_V10_1中的10_1是你安装CUDA的版本号
添加环境变量到PATH
```
%CUDA_LIB_PATH%

%CUDA_BIN_PAHT%

%CUDA_SDK_BIN_PAHT%

%CUDA_SDK_LIB_PATH%
```
结果如下：

完成后重启电脑。 win+R打开cmd，输入set cuda：
检查CUDA是否安装成功

打开cmd，输入：cd E:\NVIDIA GPU Computing Toolkit\CADA\v10.1\extras\demo_suite进入自己安装的目录（注意，安装路径要正确，这里我在安装的时候不小心把CUDA写成了CADA）

输入dir命令可以查看当前路径下的文件，可以看到有一个名为deviceQuery.exe的文件

输入deviceQuery.exe执行，结果如下图所示，Result = PASS表示安装成功了，如果Result = Fail就重装或者更换CUDA的版本。

继续执行当前目录下的bandwidthTest.exe

可以看到Result = PASS，证明安装成功。

三、在VS2017中配置CUDA

打开VS2017，创建项目
添加源文件*.cu
生成依赖项，右击项目名称test_cuda→生成依赖项→生成自定义→选择CUDA10.1→确定
配置cuda_test.cu文件属性，右击cuda_test.cu文件→属性→配置属性→常规→项类型→CUDA C/C++
配置cuda工程属性，右击test_cuda→属性

在包含目录中添加E:\NVIDIA GPU Computing Toolkit\CADA\v10.1\include

在库目录中添加 E:\NVIDIA GPU Computing Toolkit\CADA\v10.1\lib\x64

注意：要根据自己的CUDA安装添加正确的目录

添加依赖项，链接器→输入→附加依赖项。在附加依赖项中添加相应的.lib文件名称

这里将所有的lib都加上了

cublas.lib
cublasLt.lib
cuda.lib
cudadevrt.lib
cudart.lib
cudart_static.lib
cufft.lib
cufftw.lib
curand.lib
cusolver.lib
cusolverMg.lib
cusparse.lib
nppc.lib
nppial.lib
nppicc.lib
nppicom.lib
nppidei.lib
nppif.lib
nppig.lib
nppim.lib
nppist.lib
nppisu.lib
nppitc.lib
npps.lib
nvblas.lib
nvgraph.lib
nvjpeg.lib
nvml.lib
nvrtc.lib
OpenCL.lib

添加测试程序

#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include <stdio.h>
 
int main() {
    int deviceCount;
    cudaGetDeviceCount(&deviceCount);
 
    int dev;
    for (dev = 0; dev < deviceCount; dev++)
    {
        int driver_version(0), runtime_version(0);
        cudaDeviceProp deviceProp;
        cudaGetDeviceProperties(&deviceProp, dev);
        if (dev == 0)
            if (deviceProp.minor = 9999 && deviceProp.major == 9999)
                printf("\n");
        printf("\nDevice%d:\"%s\"\n", dev, deviceProp.name);
        cudaDriverGetVersion(&driver_version);
        printf("CUDA驱动版本:                                   %d.%d\n", driver_version / 1000, (driver_version % 1000) / 10);
        cudaRuntimeGetVersion(&runtime_version);
        printf("CUDA运行时版本:                                 %d.%d\n", runtime_version / 1000, (runtime_version % 1000) / 10);
        printf("设备计算能力:                                   %d.%d\n", deviceProp.major, deviceProp.minor);
        printf("Total amount of Global Memory:                  %u bytes\n", deviceProp.totalGlobalMem);
        printf("Number of SMs:                                  %d\n", deviceProp.multiProcessorCount);
        printf("Total amount of Constant Memory:                %u bytes\n", deviceProp.totalConstMem);
        printf("Total amount of Shared Memory per block:        %u bytes\n", deviceProp.sharedMemPerBlock);
        printf("Total number of registers available per block:  %d\n", deviceProp.regsPerBlock);
        printf("Warp size:                                      %d\n", deviceProp.warpSize);
        printf("Maximum number of threads per SM:               %d\n", deviceProp.maxThreadsPerMultiProcessor);
        printf("Maximum number of threads per block:            %d\n", deviceProp.maxThreadsPerBlock);
        printf("Maximum size of each dimension of a block:      %d x %d x %d\n", deviceProp.maxThreadsDim[0],
            deviceProp.maxThreadsDim[1],
            deviceProp.maxThreadsDim[2]);
        printf("Maximum size of each dimension of a grid:       %d x %d x %d\n", deviceProp.maxGridSize[0], deviceProp.maxGridSize[1], deviceProp.maxGridSize[2]);
        printf("Maximum memory pitch:                           %u bytes\n", deviceProp.memPitch);
        printf("Texture alignmemt:                              %u bytes\n", deviceProp.texturePitchAlignment);
        printf("Clock rate:                                     %.2f GHz\n", deviceProp.clockRate * 1e-6f);
        printf("Memory Clock rate:                              %.0f MHz\n", deviceProp.memoryClockRate * 1e-3f);
        printf("Memory Bus Width:                               %d-bit\n", deviceProp.memoryBusWidth);
    }
 
    return 0;
}

运行代码时，注意选择对位数

结果如下

到此，CUDA环境以及VS2017就全部配置完毕！

四、使用Clion编写CUDA代码

使用Clion编写CUDA代码需要保证安装完成VS2017，CUDA，Clion等，其中VS2017和CUDA的安装方法在上面已经给出了，Clion可以参照网上的方法的进行安装。

新建工程demo1

点击Create创建工程

配置编译工具链，File→Settings→Build→Toolchains

点击+号添Visual Studio环境

点击文件夹的图标设置Toolset，选择VS的安装位置，我的位置为E:\Microsoft Visual Studio\2017\Community，设置好路径后，会自动扫描需要的组件，如下图所示

将Architecture选项设置为amd64

然后拖动环境名称Visual Studio到最上面，设置为默认，如下图所示

点击OK，然后添加测试代码

// 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 // ldc
    );
    // 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;
}

修改CMakeLists.txt文件（CMake配置参考CLion中使用CMake导入第三方库的方法_hankerbit的博客，CLion中使用CMake导入第三方库的方法_atarik@163.com ）

# cmake verson，指定cmake版本
cmake_minimum_required(VERSION 3.21)


# project name，指定项目的名称，一般和项目的文件夹名称对应
project(demo1 CUDA)

set(CMAKE_CUDA_STANDARD 14)

set(INC_DIR E:\\NVIDIA GPU Computing Toolkit\\CADA\\v10.1\\include)

set(LINK_DIR E:\\NVIDIA GPU Computing Toolkit\\CADA\\v10.1\\lib\\x64)

# head file path，头文件目录
include_directories(${INC_DIR}) # 指定头文件的搜索路径，相当于指定 gcc 的 - I 参数

link_directories(${LINK_DIR}) # 动态链接库或静态链接库的搜索路径，相当于 gcc 的 - L 参数

link_libraries(cublas cublasLt cuda cudadevrt cudart cudart_static cufft cufftw curand cusolver cusolverMg cusparse nppc nppial nppicc nppicom nppidei nppif nppig nppim nppist nppisu nppitc npps nvblas nvgraph nvjpeg nvml nvrtc OpenCL) # All targets link with the same set of libs


# add executable file，添加要编译的可执行文件
add_executable(demo1 main.cu)

set_target_properties(demo1 PROPERTIES
        CUDA_SEPARABLE_COMPILATION ON)


# add link library，添加可执行文件所需要的库，比如我们用到了libm.so（命名规则：lib+name+.so），就添加该库的名称
target_link_libraries(demo1 cublas) # 添加链接库, 相同于指定 - l 参数

点击三角符号运行程序

可以看到控制台的输出

五、错误总结

在第一次执行程序的时候出现如下问题

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RXNHidiQ-1639213597856)(C:\Users\13751\AppData\Roaming\Typora\typora-user-images\image-20211207161509944.png)]$

原因是在配置库目录和包含目录的时候，路径不对，改为自己安装的正确路径即可，然后就是包含的库要完整，建议将所有的库都包含上，一定要正确配置路径
配置正确后，再执行程序，得到正确结果。

FILWY_M

关注

7
点赞
踩
24

收藏

觉得还不错? 一键收藏
1
评论
VS2017+CUDA开发环境的配置

GPU开发环境配置一、VS2017安装下载VS下载链接：需要登陆微软账号，没有注册一个即可安装VS安装组件选择，只需要选择最基本的C/C++开发即可（.NET桌面开发可以不用）安装位置更改点击安装即可安装完成后打开界面如下创建一个C++程序进行测试点击确定，等待项目创建，项目会自动创建一个cpp文件，测试代码如下：#include <iostream>int main(){ std::cout << ".
复制链接

扫一扫