CUDA9.0是目前最新的Cuda版本，VS2017也是目前最新的Visual Studio版本，當前（2017/09）網上很少有CUDA9.0+VS2017的配置。

  為什麼非要用CUDA9.0呢？因為CUDA8.0是與VS2017不相容的，就是說如果想用CUDA8.0，必須使用VS2015以下的VS版本。好訊息是CUDA9.0開始相容VS2017，以後CUDA9.0+VS2017將會成為一種趨勢。

  在參考以前的成功配置案例後，博主決定寫寫最新的配置教程，以供大家參考。

CUDA9.0安裝：

  CUDA(Compute Unified Device Architecture)，是顯示卡廠商NVIDIA推出的運算平臺。 CUDA™是一種由NVIDIA推出的通用平行計算架構，該架構使GPU能夠解決複雜的計算問題。 它包含了CUDA指令集架構（ISA）以及GPU內部的平行計算引擎。 開發人員現在可以使用C語言來為CUDA™架構編寫程式，C語言是應用最廣泛的一種高階程式語言。所編寫出的程式於是就可以在支援CUDA™的處理器上以超高效能執行。

  下載後我們將會得到這個exe檔案：

  下面是安裝過程（按照預設安裝）：

  在安裝CUDA9.0之前，本人已經是安裝好了VS2017,所以系統檢查時顯示無誤，綠燈通過。

  接下來就是同意繼續下一步，等待CUDA安裝的結束。

  PS:如果要解除安裝舊版本的CUDA，可在控制面板中選擇“程式和功能”，選擇應用程式後右鍵解除安裝。至於登錄檔問題是否需要變動，博主解除安裝CUDA8.0後安裝CUDA9.0並未發現問題。如果大家在安裝過程中遇到問題，可百度或谷歌如何操作。

設定環境變數：

  安裝結束後，我們在計算機上點右鍵，開啟屬性->高階系統設定->環境變數，可以看到系統中多了CUDA_PATH和CUDA_PATH_V9_0兩個環境變數。

  我們還需要在環境變數中新增如下幾個變數：

CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0 
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 

  設定完成之後，我們可以開啟cmd來檢視。

  下一步是監測cuda安裝成功與否:

  在cuda安裝資料夾中有deviceQuery.exe 和 bandwidthTest.exe兩個程式。首先啟動cmd DOS命令視窗，預設進來的是c:\users\Admistrator>路徑，輸入 cd .. 兩次，來到c:目錄下輸入dir 找到安裝的cuda資料夾。

  分別輸入deviceQuery.exe 和 bandwidthTest.exe，執行結果如圖所示。Rsult=PASS則說明通過，反之，Rsult=Fail 則需要重新安裝。

  如果以上都沒問題，則說明CUDA9.0安裝成功。下一步是在VS2017平臺上配置CUDA9.0。

VS2017配置：

  1.開啟vs2017，我們可以觀察到，在VS2017模板一欄下方出現了“NVIDIA/CUDA 9.0”。建立一個空win32程式,即cuda_test專案。

  2.右鍵原始檔資料夾->新增->新建項->選擇CUDA C/C++File，取名cuda_main。

  3.選擇cuda_test，點選右鍵–>專案依賴項–>自定義生成，選擇CUDA9.0。

  4.點選cuda_main.cu的屬性,在配置屬性–>常規–>項型別–>選擇“CUDA C/C++”。

專案配置：

1.x64

 1.1 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

 1.2 庫目錄配置
  1.VC++目錄–>庫目錄
  2.新增庫目錄：
   $(CUDA_PATH)\lib\x64

 1.3 依賴項
   配置屬性–>連結器–>輸入–>附加依賴項
   新增庫檔案：
    cublas.lib
    cuda.lib
    cudadevrt.lib
    cudart.lib
    cudart_static.lib
    nvcuvid.lib
    OpenCL.lib

  注意：新增nvcuvenc.lib庫檔案，編譯時，報找不到該檔案的錯誤。去掉後，程式也能執行

2.x86(win32)

 2.1 包含目錄配置

  右鍵點選專案屬性–>屬性–>配置屬性–>VC++目錄–>包含目錄
  新增包含目錄：
   $(CUDA_PATH)\include

 2.2 庫目錄配置
  1.VC++目錄–>庫目錄
  2.新增庫目錄：
   $(CUDA_PATH)\lib\Win32

 2.3 依賴項
   配置屬性–>聯結器–>輸入–>附加依賴項
   新增庫檔案：
    cuda.lib
    cudadevrt.lib
    cudart.lib
    cudart_static.lib
    nvcuvid.lib
    OpenCL.lib

  備註： win32和x64位的lib庫有差別，配置時需注意，除了上述新增的lib檔案外，x64還有其他的lib庫檔案，如cublas.lib,如執行1.6的樣例時，要新增這個庫，不然會編譯失敗。

測試

// CUDA runtime 庫 + CUBLAS 庫   
#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;  
}  

  執行結果如圖所示，說明配置已經完成且能正常執行程式。