Cuda v9.0VS2017配置

---

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

  为什么非要用CUDA9.0呢？因为CUDA8.0是与VS2017不兼容的，就是说如果想用CUDA8.0，必须使用VS2015以下的VS版本。好消息是CUDA9.0开始兼容VS2017，以后CUDA9.0+VS2017将会成为一种趋势。

  在参考以前的成功配置案例后，博主决定写写最新的配置教程，以供大家参考。

---

CUDA9.0安装：

  CUDA(Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员现在可以使用C语言来为CUDA™架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序于是就可以在支持CUDA™的处理器上以超高性能运行。

  首先是CUDA9.0RC的下载：https://developer.nvidia.com/cuda-release-candidate-download，由于还是测试版，所以需要NVIDIA开发人员计划的成员资格。需登录以获取访问权限并完成此免费加入程序的简短申请(网盘或者贴吧是很好的资源…）。

  下载后我们将会得到这个exe文件：

  下面是安装过程（按照默认安装）：

  在安装CUDA9.0之前，本人已经是安装好了VS2017,所以系统检查时显示无误，绿灯通过。

  接下来就是同意继续下一步，等待CUDA安装的结束。

  PS:如果要卸载旧版本的CUDA，可在控制面板中选择“程序和功能”，选择应用程序后右键卸载。至于注册表问题是否需要变动，博主卸载CUDA8.0后安装CUDA9.0并未发现问题。如果大家在安装过程中遇到问题，可百度或谷歌如何操作。

---

设置环境变量：

  安装结束后，我们在计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了CUDA_PATH和CUDA_PATH_V9_0两个环境变量。

  我们还需要在环境变量中添加如下几个变量：

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

  设置完成之后，我们可以打开cmd来查看。

  下一步是监测cuda安装成功与否:

  在cuda安装文件夹中有deviceQuery.exe 和 bandwidthTest.exe两个程序。首先启动cmd DOS命令窗口，默认进来的是c:\users\Admistrator>路径，输入 cd .. 两次，来到c:目录下输入dir 找到安装的cuda文件夹。

  分别输入deviceQuery.exe 和 bandwidthTest.exe，运行结果如图所示。Rsult=PASS则说明通过，反之，Rsult=Fail 则需要重新安装。

  如果以上都没问题，则说明CUDA9.0安装成功。下一步是在VS2017平台上配置CUDA9.0。

---

VS2017配置：

  1.打开vs2017，我们可以观察到，在VS2017模板一栏下方出现了“NVIDIA/CUDA 9.0”。创建一个空win32程序,即cuda_test项目。

  2.右键源文件文件夹->添加->新建项->选择CUDA C/C++File，取名cuda_main。

  3.选择cuda_test，点击右键–>项目依赖项–>自定义生成，选择CUDA9.0。

  4.点击cuda_main.cu的属性,在配置属性–>常规–>项类型–>选择“CUDA C/C++”。

---

项目配置：

1.x64

 1.1 包含目录配置   1.右键点击项目属性–>属性–>配置属性–>VC++目录–>包含目录   2.添加包含目录：    $(CUDA_PATH)\include

 1.2 库目录配置   1.VC++目录–>库目录   2.添加库目录：    $(CUDA_PATH)\lib\x64

 1.3 依赖项    配置属性–>链接器–>输入–>附加依赖项    添加库文件：     cublas.lib     cuda.lib     cudadevrt.lib     cudart.lib     cudart_static.lib     nvcuvid.lib     OpenCL.lib

  注意：添加nvcuvenc.lib库文件，编译时，报找不到该文件的错误。去掉后，程序也能运行

2.x86(win32)

 2.1 包含目录配置

  右键点击项目属性–>属性–>配置属性–>VC++目录–>包含目录   添加包含目录：    $(CUDA_PATH)\include

 2.2 库目录配置   1.VC++目录–>库目录   2.添加库目录：    $(CUDA_PATH)\lib\Win32

 2.3 依赖项    配置属性–>连接器–>输入–>附加依赖项    添加库文件：     cuda.lib     cudadevrt.lib     cudart.lib     cudart_static.lib     nvcuvid.lib     OpenCL.lib

  备注： win32和x64位的lib库有差别，配置时需注意，除了上述添加的lib文件外，x64还有其他的lib库文件，如cublas.lib,如运行1.6的样例时，要添加这个库，不然会编译失败。

---

测试

// 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; }

  运行结果如图所示，说明配置已经完成且能正常运行程序。

参考链接

Pytorch + Win10系统 + pip安装+ CUDA9.1版本（安装CUDA10.2版本）