在搜 “没有显卡怎么学CUDA编程” 、 “怎么配置google colab的CUDA编程环境” 、 “怎么配置阿里云DSW的CUDA编程环境” 的时候并没有太多相关文章,就顺带着写下了这个文章,如果有需要的话可以看看。
通过Google Colab运行CUDA代码
打开notebook,更改运行时类型为GPU:
运行下面的语句:
!nvcc --version
nvcc --version 是一个命令行指令,用于查询和显示已安装的 NVIDIA CUDA Compiler (nvcc)的版本信息。
CUDA 是 NVIDIA 提供的一个并行计算平台和编程模型,它允许开发者利用 GPU(图形处理器)的强大计算能力来加速应用程序。nvcc 是 CUDA 编译器,它可以将 CUDA C/C++ 代码编译为能够在 NVIDIA GPU 上运行的代码。
执行 nvcc --version 命令后,系统会返回包括 CUDA 编译器的名称、版权信息、构建日期以及版本号等,可以帮助开发者确认系统的 CUDA 编译环境是否符合特定应用的需求。在开发或运行依赖于 CUDA 的应用程序时,了解 nvcc 的版本是非常重要的,因为不同的 CUDA 版本可能与特定的 GPU 架构和驱动程序版本兼容。
运行下面的命令给notebook装一个扩展使其能运行nvcc
!pip install git+https://github.com/andreinechaev/nvcc4jupyter.git
运行下面的代码,加载扩展
%load_ext nvcc_plugin
“%load_ext nvcc_plugin” 是一个在 Jupyter Notebook 或 JupyterLab 环境中使用的命令。这个命令的目的是加载一个名为 nvcc_plugin 的插件。
nvcc_plugin 是一个扩展,它通常用于提供在 Jupyter 环境中直接编译和运行 CUDA C/C++ 代码的功能。CUDA 是 NVIDIA 提供的一种并行计算平台和编程模型,允许开发者利用 GPU(图形处理器)的强大计算能力来加速应用程序。
通过 %load_ext nvcc_plugin 命令,用户可以在 Jupyter 笔记本中编写和执行 CUDA 代码,而无需离开 Jupyter 环境或者使用命令行工具。这为数据科学家和研究人员提供了一个方便的交互式环境来开发和测试他们的 CUDA 代码。
运行测试样例
%%cu
#include <iostream>
int main(){
std::cout << "Hello cuda!\n";
return 0;
}
通过阿里云DSW运行CUDA代码
通过阿里云交互式建模(DSW),运行CUDA的相关代码:
剩下的默认就好。
然后点击创建实例,创建的过程需要等待一会。
创建完成后点击打开:
打开terminal,输入:
nvcc --version
创建文件夹
创建notebook:
↓ 进入刚刚创建的文件夹之后,右键,创建New Notebook
↓ 右键Rename notebook,改个名字
运行下面的命令给notebook装一个扩展使其能运行nvcc
!pip install git+https://github.com/andreinechaev/nvcc4jupyter.git
运行下面的代码,加载扩展
%load_ext nvcc_plugin
运行测试样例
%%cu
#include <iostream>
int main(){
std::cout << "Hello cuda!\n";
return 0;
}