win10+VS2017+Cuda10.0環境配置詳解
一、安裝
1.1硬體支援
首先確定你的電腦顯示卡是支援Cuda安裝的。
右鍵“我的電腦”，然後點選“裝置管理器”。在顯示介面卡裡可以檢視顯示卡型號。
如果包含在官網列表 中，則可以點選對應的型號到下載介面下載Cuda安裝包。
1.2 安裝VS2017
官網下載VS2017，並安裝。
1.3 安裝Cuda
在安裝過程中，會自動檢測本機是否已經安裝了配套的VS版本其中之一，如果VS版本和Cuda版本不匹配的話，安裝無法進行。
（ 另外，如果電腦安裝了360防毒的話，安裝過程中會不斷有疑似病毒修改的提示，要全部允許操作，否則無法安裝。）
以上步驟無報錯通過之後，基本環境已經搭建完成。
二、測試環境是否成功
參考了很多，所以有好幾種辦法，我全部列出來。
2.1
執行cmd，
輸入nvcc --version,即可檢視版本號，如圖：
set cuda，可以檢視cuda設定的環境變數，如圖
2.2
開始選單->NVIDIA Corporation->CUDA Samples->6.5->Browse CUDA Samples,左鍵單擊開啟示例程式碼的位置，
找到下圖所示檔案，在VS中開啟並編譯（Build)。
這個過程大約需要四十分鐘，編譯成功後，你將在VS中方看到如圖所示的提示。
（在編譯過程中，我的VS報瞭如下找不到SDK錯誤：
解決辦法為：
未編譯前，Debug資料夾中只有三個檔案，如圖。
成功編譯後這個位置（具體路徑見上圖）將生成很多檔案，在其中找到deviceQueryDrv.exe的程式拖入到cmd中，回車執行。
結果如下圖，我們得到了本機的GPU硬體資訊。注意：關注第二行計算能力，可以看到這臺機器的計算能力是5.0。
2.3
開啟vs2017，（我們可以觀察到，在VS2017模板一欄下方出現了“NVIDIA/CUDA 10.0”。）建立一個空win32程式,即cuda_test專案。選擇cuda_test，點選右鍵–>專案依賴項–>自定義生成，選擇CUDA9.0。右鍵原始檔資料夾->新增->新建項->選擇CUDA C/C++File，取名cuda_main。點選cuda_main.cu的屬性,在配置屬性–>常規–>項型別–>選擇“CUDA C/C++”。
注意：以下步驟中的專案屬性設定均針對x64
6. 包含目錄配置：
1.右鍵點選專案屬性–>屬性–>配置屬性–>VC++目錄–>包含目錄
2.新增包含目錄：$(CUDA_PATH)\include
7. 庫目錄配置
1.VC++目錄–>庫目錄
2.新增庫目錄：$(CUDA_PATH)\lib\x64
8. 依賴項
1.配置屬性–>連結器–>輸入–>附加依賴項
2.新增庫檔案：cublas.lib;cuda.lib;cudadevrt.lib;cudart.lib;cudart_static.lib;OpenCL.lib
cuda_main.cu程式碼如下：
#include "cuda_runtime.h"
#include "cublas_v2.h"
#include <time.h>
#include <iostream>
using namespace std;
// 定義測試矩陣的維度
int const M = 5;
int const N = 10;
int main()
{
// 定義狀態變數
cublasStatus_t status;
// 在 記憶體 中為將要計算的矩陣開闢空間
float *h_A = (float*)malloc(N*M * sizeof(float));
float *h_B = (float*)malloc(N*M * sizeof(float));
// 在 記憶體 中為將要存放運算結果的矩陣開闢空間
float *h_C = (float*)malloc(M*M * sizeof(float));
// 為待運算矩陣的元素賦予 0-10 範圍內的隨機數
for (int i = 0; i < N*M; i++) {
h_A[i] = (float)(rand() % 10 + 1);
h_B[i] = (float)(rand() % 10 + 1);
}
// 列印待測試的矩陣
cout << "矩陣 A :" << endl;
for (int i = 0; i < N*M; i++) {
cout << h_A[i] << " ";
if ((i + 1) % N == 0) cout << endl;
}
cout << endl;
cout << "矩陣 B :" << endl;
for (int i = 0; i < N*M; i++) {
cout << h_B[i] << " ";
if ((i + 1) % M == 0) cout << endl;
}
cout << endl;
/*
** GPU 計算矩陣相乘
*/
// 建立並初始化 CUBLAS 庫物件
cublasHandle_t handle;
status = cublasCreate(&handle);
if (status != CUBLAS_STATUS_SUCCESS)
{
if (status == CUBLAS_STATUS_NOT_INITIALIZED) {
cout << "CUBLAS 物件例項化出錯" << endl;
}
getchar();
return EXIT_FAILURE;
}
float *d_A,*d_B,*d_C;
// 在 視訊記憶體 中為將要計算的矩陣開闢空間
cudaMalloc(
(void**)&d_A,// 指向開闢的空間的指標
N*M * sizeof(float) // 需要開闢空間的位元組數
);
cudaMalloc(
(void**)&d_B,N*M * sizeof(float)
);
// 在 視訊記憶體 中為將要存放運算結果的矩陣開闢空間
cudaMalloc(
(void**)&d_C,M*M * sizeof(float)
);
// 將矩陣資料傳遞進 視訊記憶體 中已經開闢好了的空間
cublasSetVector(
N*M,// 要存入視訊記憶體的元素個數
sizeof(float),// 每個元素大小
h_A,// 主機端起始地址
1,// 連續元素之間的儲存間隔
d_A,// GPU 端起始地址
1 // 連續元素之間的儲存間隔
);
cublasSetVector(
N*M,sizeof(float),h_B,1,d_B,1
);
// 同步函式
cudaThreadSynchronize();
// 傳遞進矩陣相乘函式中的引數，具體含義請參考函式手冊。
float a = 1; float b = 0;
// 矩陣相乘。該函式必然將陣列解析成列優先陣列
cublasSgemm(
handle,// blas 庫物件
CUBLAS_OP_T,// 矩陣 A 屬性引數
CUBLAS_OP_T,// 矩陣 B 屬性引數
M,// A,C 的行數
M,// B,C 的列數
N,// A 的列數和 B 的行數
&a,// 運算式的 α 值
d_A,// A 在視訊記憶體中的地址
N,// lda
d_B,// B 在視訊記憶體中的地址
M,// ldb
&b,// 運算式的 β 值
d_C,// C 在視訊記憶體中的地址(結果矩陣)
M // ldc
);
// 同步函式
cudaThreadSynchronize();
// 從 視訊記憶體 中取出運算結果至 記憶體中去
cublasGetVector(
M*M,// 要取出元素的個數
sizeof(float),// 每個元素大小
d_C,// GPU 端起始地址
1,// 連續元素之間的儲存間隔
h_C,// 主機端起始地址
1 // 連續元素之間的儲存間隔
);
// 列印運算結果
cout << "計算結果的轉置 ( (A*B)的轉置 )：" << endl;
for (int i = 0; i < M*M; i++) {
cout << h_C[i] << " ";
if ((i + 1) % M == 0) cout << endl;
}
// 清理掉使用過的記憶體
free(h_A);
free(h_B);
free(h_C);
cudaFree(d_A);
cudaFree(d_B);
cudaFree(d_C);
// 釋放 CUBLAS 庫物件
cublasDestroy(handle);
getchar();
return 0;
}
執行結果：
2.4
直接新建一個CUDA 10.0 Runtime 專案。如圖（注意圖中檔案命名與本例無關，無需參考），
右鍵專案 → 屬性 → 配置屬性 → 連結器 → 常規 → 附加庫目錄，新增以下目錄：
$(CUDA_PATH_V10_0)\lib$(Platform)
示例程式碼如下：
#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驅動版本: %d.%d\n",driver_version / 1000,(driver_version % 1000) / 10);
cudaRuntimeGetVersion(&runtime_version);
printf("CUDA執行時版本: %d.%d\n",runtime_version / 1000,(runtime_version % 1000) / 10);
printf("裝置計算能力: %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;
}
執行結果：
本文主要參考：1. https://blog.csdn.net/u013165921/article/details/77891913
2. https://www.cnblogs.com/wayne793377164/p/8185404.html
到此這篇關於win10+VS2017+Cuda10.0環境配置詳解的文章就介紹到這了,更多相關win10+VS2017+Cuda10.0配置內容請搜尋我們以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援我們！