VSCODE设置CUDA编程环境，Ubuntu20.04

获取计算机终端运行的.cu文件的指令

Ubuntu如下：

nvcc -arch=sm_50 -ccbin /usr/bin/g++ -o ./build/test test.cu && ./build/test

nvcc是你安装的cuda成功说明可以使用，还有CUDANN

验证安装：

cuda

nvidia-smi这个应该输出gpu的基础信息，说明安装成功CUDA

cudnn

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

如果没有输出，直接找找这个文件夹中有没有此头文件。

环境添加

打开文件
sudo gedit ~/.bashrc
添加；每次启动终端，自动把CUDA路径加入，注意对应自己的路径，有时候是cuda,有时候是cuda-12.0，cd到目录下查看即可。

#cuda添加
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export LIBRARY_PATH=$LIBRARY_PATH:/usr/local/cuda/lib64
#cpp配置
export CXX=/usr/bin/g++
export CC=/usr/bin/gcc

激活
source ~/.bashrc

指令介绍

介绍一下指令结构，nvcc是CUDA编程，-arch=sm_50与gpu型号有关可以不加试试，除非出错;-ccbin /usr/bin/g++指定g++编译器的位置，-o ./build/test输出可以是.o后缀也可以省去。&&同时进行./build/test这个生成文件。

这里可以直接用最后的测试一下，在配置vscode

VScode 配置包含详细解释

首先编辑任务文件task.json，这个文件只需要设置两个

{
	"tasks":[],//这里配置任务
	"version": "2.0.0"//默认即可
}

task配置：

[
	{
           "type": "shell",//任务类型，选在shell中即可
            "label": "cuda-cpp-opencv",//这个任务的名字
            "command": "nvcc",//使用的编译器，直接用nvcc系统会自己寻找路径，也可以直接写上路径
            //"command": "/usr/local/cuda/bin/nvcc",//使用的编译器，直接用nvcc系统会自己寻找路径，找不到的情况下，也可以直接写上路径
            "args":[//nvcc 后面的配置，按照终端指令填写即可
				"-arch=sm_50",//设置架构，对应gpu型号
				 "-ccbin","/usr/bin/g++",//这是为了避免vncc找不到g++添加的
				 "-g","${file}","mytools.cpp",//设置执行文件路径,"${file}"是你自己的test.cu。"mytools.cpp",就是你的需要链接的其他.c（自定义的一个工具包.c库与头文件对应）或者.o（其它项目编译后的输出）文件
				 "-I","/file/**",//头文件夹的目录，不需要精确到文件名,到上层目录即可，** 表示当前目录和一级子目录一键添加进来
				 "-L","第三方的lib库",
				 "-std=c++11",//c++版本，可以改成其他的
				 "-o", "${workspaceFolder}/build/${fileBasenameNoExtension}",//输出文件
				 "-Xcompiler", "-pthread"  // 将-pthread选项传递给g++，nvcc与c++还是有点区别有的没有，所以用这个把需要用的c++语言库添加到nvcc编译中去
            ],
	},{}//后面还可以添加其他任务
]

最后launch.json，理论上这两个就可以F5编译文件了

需要配置

{
	"version": "0.2.0",//json文件用[]和{}交替表示包含关系
	"configurations":[],//编译时运行设置,设置launch debuger
	"compounds":[//使用此，configurations
	        "name": "Compound",
            "configurations": []//添加前面的configurations名称数组，可以执行多个launch debuger
	],
}

对于configurations设置

    "configurations": [
        {
            "name": "opencv4.9.0 debuge",//名字
            "type": "cppdbg",
            "request": "launch",
            "program": "${workspaceFolder}/build/${fileBasenameNoExtension}.out",//这里只是单纯执行这个文件
            "args": [],//不知道干嘛的，可能是一些debuger操作用的
            "stopAtEntry": true, //这里如果为 false，则说明调试直接运行。（反之则停止）
            "cwd": "${workspaceFolder}",
            "environment": [ ],//系统实在找不到的库文件用这个设置
            "externalConsole": true,//是否调用外部cmd
            "MIMode": "gdb",
            "setupCommands": [
                {
                    "description": "Enable pretty-printing for gdb",
                    "text": "-enable-pretty-printing",
                    "ignoreFailures": false
                },
            ],
            "preLaunchTask": "cuda-opencv4.9.0",//执行此launch前执行的task，必须要
        }
        ]

所有文件，测试可以执行

task

{
    "tasks": [
		{
            "type": "shell",
            "label": "cuda-cpp-opencv",
            "command": "nvcc",
            "args": [
                // "-fdiagnostics-color=always",
                "-arch=sm_50",//设置架构，对应gpu型号
                "-ccbin","/usr/bin/g++",
                "-g","${file}",//不能删除， "-g"可以省略
                "-std=c++11",
                "-o",
                "${workspaceFolder}/build/${fileBasenameNoExtension}",//Ubuntu
            ],
            "problemMatcher":[
                "$gcc"
            ],
            "options": {
                "env": {
                }
            },
            "group": {
                "kind": "build",
                "isDefault": true
            },
            "detail": "包含opencv490和hdf5文件，还包含cuda"  //项目简介          
        }
    ],
    "version": "2.0.0"
}

launch

{
    "version": "0.2.0",
    "configurations": [
    		{
            "name": "cuda-opencv4.9.0 debuge",
            "type": "cppdbg",
            "request": "launch",
            "program": "${workspaceFolder}/build/${fileBasenameNoExtension}",
            "args": [],
            "stopAtEntry": true, //这里如果为 false，则说明调试直接运行。（反之则停止）
            "cwd": "${workspaceFolder}",
            "environment": [],
            "externalConsole": true,//是否调用外部cmd
            "MIMode": "gdb",
            "setupCommands": [
                {
                    "description": "Enable pretty-printing for gdb",
                    "text": "-enable-pretty-printing",
                    "ignoreFailures": false
                },
            ],
            "preLaunchTask": "cuda-cpp-opencv",
        }

    ],
    "compounds": [
        {
            "name": "Compound",
            "configurations": ["cuda-opencv4.9.0 debuge",...]
        }
    ]
}

其他优化，代码补全，高亮

先设置好c_cpp_properties.json文件的c++语言高凉

然后再setting.json中把.cu文件链接c++即可，中间有些不同只要编译没问题就行了。
setting.json文件有usr和workspace两版，这个自己网上搜索即可

    "files.associations": {
        "*.cu": "cpp",

测试

test。cu文件

#include <cuda_runtime.h>
#include <iostream>

// CUDA kernel for vector addition
__global__ void vec_add(double *x, double *y, double *z, int n) {
    int i = blockIdx.x * blockDim.x + threadIdx.x;
    if (i < n) {
        z[i] = x[i] + y[i];
    }
}

void checkCudaError(cudaError_t err, const char* msg) {
    if (err != cudaSuccess) {
        std::cerr << "Error: " << msg << " (" << cudaGetErrorString(err) << ")" << std::endl;
        exit(EXIT_FAILURE);
    }
}
int main() {
    int N = 1000000; // Vector length
    int bs = 256;    // Threads per block
    int gs = (N + bs - 1) / bs; // Number of blocks

    // Print device info
    cudaDeviceProp prop;
    int device;
    cudaGetDevice(&device);
    cudaGetDeviceProperties(&prop, device);
    std::cout << "Using GPU device " << device << ": " << prop.name << std::endl;

    // 主机参数
    double *h_x = new double[N];
    double *h_y = new double[N];
    double *h_z = new double[N];

    // 初始化
    for (int i = 0; i < N; ++i) {
        h_x[i] = i * 1.0;
        h_y[i] = i * 2.0;
    }

    // Device memory allocation
    double *d_x, *d_y, *d_z;
    checkCudaError(cudaMalloc(&d_x, N * sizeof(double)), "Allocating d_x");
    checkCudaError(cudaMalloc(&d_y, N * sizeof(double)), "Allocating d_y");
    checkCudaError(cudaMalloc(&d_z, N * sizeof(double)), "Allocating d_z");

    // Copy data from host to device
    checkCudaError(cudaMemcpy(d_x, h_x, N * sizeof(double), cudaMemcpyHostToDevice), "Copying h_x to d_x");
    checkCudaError(cudaMemcpy(d_y, h_y, N * sizeof(double), cudaMemcpyHostToDevice), "Copying h_y to d_y");

    // Kernel call
    vec_add<<<gs, bs>>>(d_x, d_y, d_z, N);
    checkCudaError(cudaGetLastError(), "Kernel launch");

    // Copy result from device to host
    checkCudaError(cudaMemcpy(h_z, d_z, N * sizeof(double), cudaMemcpyDeviceToHost), "Copying d_z to h_z");

    // Print the first 10 results
    for (int i = 9999; i < 10010; ++i) {
        std::cout << h_z[i] << " ";
    }
    std::cout << std::endl;

    // Free device memory
    checkCudaError(cudaFree(d_x), "Freeing d_x");
    checkCudaError(cudaFree(d_y), "Freeing d_y");
    checkCudaError(cudaFree(d_z), "Freeing d_z");

    // Free host memory
    delete[] h_x;
    delete[] h_y;
    delete[] h_z;

    return 0;
}

F5编译执行或者直接终端执行nvcc -arch=sm_50 -ccbin /usr/bin/g++ -o ./build/test test.cu && ./build/test也可
输出

Using GPU device 0: NVIDIA GeForce 940MX
29997 30000 30003 30006 30009 30012 30015 30018 30021 30024 30027 
[1] + Done                       "/usr/bin/gdb" --interpreter=mi --tty=${DbgTerm} 0<"/tmp/Microsoft-MIEngine-In-lyqqgcbv.lu1" 1>"/tmp/Microsoft-MIEngine-Out-k5hflfpd.w2l"

Press any key to continue...

如果报错如下，就是-arch=sm_50版本没对上,这个网上搜一下你的Gpu版本即可，

Using GPU device 0: NVIDIA GeForce 940MX
Error: Kernel launch (no kernel image is available for execution on the device)

找不到路径多用which g++和which nvcc来找，which+名字

操作主要针对此项目工作空间，最好不要修改usr的配置，项目文件夹下的文件结构