win10+VS2017+Cuda10.0环境配置详解

一、安装

1.1硬件支持

首先确定你的电脑显卡是支持Cuda安装的。
右键“我的电脑”,然后点击“设备管理器”。在显示适配器里可以查看显卡型号。
如果包含在官网列表 中,则可以点击对应的型号到下载界面下载Cuda安装包。

1.2 安装VS2017
官网下载VS2017,并安装。

1.3 安装Cuda
在安装过程中,会自动检测本机是否已经安装了配套的VS版本其中之一,如果VS版本和Cuda版本不匹配的话,安装无法进行。
( 另外,如果电脑安装了360杀毒的话,安装过程中会不断有疑似病毒修改的提示,要全部允许操作,否则无法安装。)

以上步骤无报错通过之后,基本环境已经搭建完成。

二、测试环境是否成功

参考了很多,所以有好几种办法,我全部列出来。

2.1

运行cmd,
输入nvcc --version,即可查看版本号,如图:

set cuda,可以查看cuda设置的环境变量,如图

2.2
开始菜单->NVIDIA Corporation->CUDA Samples->6.5->Browse CUDA Samples,左键单击打开示例代码的位置,
找到下图所示文件,在VS中打开并编译(Build)。

这个过程大约需要四十分钟,编译成功后,你将在VS中方看到如图所示的提示。

(在编译过程中,我的VS报了如下找不到SDK错误:

解决办法为:
无需重装,在开始菜单中找到VS的安装软件点击打开,点击修改(modify),缺少哪个版本安装哪个windows SDK即可。)

未编译前,Debug文件夹中只有三个文件,如图。

成功编译后这个位置(具体路径见上图)将生成很多文件,在其中找到deviceQueryDrv.exe的程序拖入到cmd中,回车运行。
结果如下图,我们得到了本机的GPU硬件信息。注意:关注第二行计算能力,可以看到这台机器的计算能力是5.0。

2.3

打开vs2017,(我们可以观察到,在VS2017模板一栏下方出现了“NVIDIA/CUDA 10.0”。)创建一个空win32程序,即cuda_test项目。选择cuda_test,点击右键–>项目依赖项–>自定义生成,选择CUDA9.0。右键源文件文件夹->添加->新建项->选择CUDA C/C++File,取名cuda_main。点击cuda_main.cu的属性,在配置属性–>常规–>项类型–>选择“CUDA C/C++”。

注意:以下步骤中的项目属性设置均针对x64

6. 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

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

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

cuda_main.cu代码如下:

#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:

2.4

直接新建一个CUDA 10.0 Runtime 项目。如图(注意图中文件命名与本例无关,无需参考),

右键项目 → 属性 → 配置属性 → 链接器 → 常规 → 附加库目录,添加以下目录:
$(CUDA_PATH_V10_0)\lib$(Platform)

示例代码如下:

#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驱动版本:                  %d.%d\n", driver_version / 1000, (driver_version % 1000) / 10);
		cudaRuntimeGetVersion(&runtime_version);
		printf("CUDA运行时版本:                 %d.%d\n", runtime_version / 1000, (runtime_version % 1000) / 10);
		printf("设备计算能力:                  %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;
}

运行结果:

本文主要参考:1. https://blog.csdn.net/u013165921/article/details/77891913
2. https://www.cnblogs.com/wayne793377164/p/8185404.html

到此这篇关于win10+VS2017+Cuda10.0环境配置详解的文章就介绍到这了,更多相关win10+VS2017+Cuda10.0配置内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!

(0)

相关推荐

  • Win10+VS2017新CUDA项目配置教程

    本文记录了CUDA项目配置教程,具有一定的参考价值,感兴趣的小伙伴们可以参考一下 一.新建项目 打开VS2017→ 新建项目→Win32控制台应用程序 → "空项目"打钩 二.调整配置管理器平台类型 右键项目→ 属性→ 配置管理器→ 全改为"x64" 三.配置生成属性 右键项目 → 生成依赖项→ 生成自定义→ 勾选"CUDA 9.0XXX" 四.配置基本库目录 注意:后续步骤中出现的目录地址需取决于你当前的CUDA版本及安装路径 右键项目→属性→

  • win10+VS2017+Cuda10.0环境配置详解

    一.安装 1.1硬件支持 首先确定你的电脑显卡是支持Cuda安装的. 右键"我的电脑",然后点击"设备管理器".在显示适配器里可以查看显卡型号. 如果包含在官网列表 中,则可以点击对应的型号到下载界面下载Cuda安装包. 1.2 安装VS2017 官网下载VS2017,并安装. 1.3 安装Cuda 在安装过程中,会自动检测本机是否已经安装了配套的VS版本其中之一,如果VS版本和Cuda版本不匹配的话,安装无法进行. ( 另外,如果电脑安装了360杀毒的话,安装过程

  • Android+OpenCV4.2.0环境配置详解(Android studio)

    仅是个人记录,希望能对有需要的给予一些小小的帮助 首先我们肯定是要去到OpenCV的官网下载对应的SDK,并解压得到文件夹(opencv-4.2.0-android-sdk) 其次是NDK环境搭建(双击shift,输入sdk,找到sdk manager,将下面红色框框勾选安装) 创建项目,我选用的是(并不是只有这一选择) 导入Module File->New->Import Module 路径选择**\opencv-4.2.0-android-sdk\OpenCV-android-sdk\sd

  • 微信小程序Server端环境配置详解(SSL, Nginx HTTPS,TLS 1.2 升级)

    微信小程序Server环境配置详解 主要内容: 1. SSL免费证书申请步骤 2. Nginx HTTPS 配置 3. TLS 1.2 升级过程 微信小程序要求使用 https 发送请求,那么Web服务器就要配置成支持 https,需要先申请SSL证书 小程序也要求 TLS(传输层安全协议)的版本至少为 1.2,在配置好 https之后,如果 TLS 的版本较低,就涉及到升级问题 所以 Server端环境配置的主要步骤: 申请 SSL 证书 配置web服务器支持https(我使用的是nginx)

  • centos 6.5 oracle开机自启动的环境配置详解

    centos 6.5 oracle开机自启动的环境配置详解 环境:centos 6.5 + Oracle 11g 自启动之前问题 虚拟机里的oracle环境,每次重启完系统,用plsql developer连接,先是报错: 无TNS监听程序 解决方法是切换到系统的oracle用户,执行lsnrctl start,但是执行之前,因为ORACLE_HOME环境变量没有生效,还要是环境变量文件生效,步骤如下: [oracle@localhost ~]$ source .bash_profile [or

  • openCV4.1.1+VS2019环境配置详解

    1.VS2019安装 官网下载地址https://visualstudio.microsoft.com/zh-hans/?rr=https%3A%2F%2Fwww.microsoft.com%2Fzh-cn%2F 本地下载(附安装教程+激活码):https://www.jb51.net/softs/679895.html 2.openCV4.1.1安装 官网下载地址https://opencv.org/opencv-4-1-1/ 3.环境配置 右键此电脑,点击属性,找到高级系统设置. 点击环境变

  • Mac M1 Java 开发环境配置详解

    JDK 配置 目前 Zulu JDK 支持 M1芯片,下载Zulu JDK 下载后点击安装,在控制台输入java -version ~ % java -version openjdk version "11.0.10" 2021-01-19 LTS OpenJDK Runtime Environment Zulu11.45+27-CA (build 11.0.10+9-LTS) OpenJDK 64-Bit Server VM Zulu11.45+27-CA (build 11.0.1

  • Springboot内外部logback多环境配置详解

    目录 一.概述 二.项目内外配置 三.使用自定义appender 四.logback查找配置源码 五.案例源码 一.概述 SpringBoot官方文档Springboot 默认读取的是项目内的 resources 中 logback 配置文件.如果 classpath(resources) 下有logback-test.xml会优先生效,并且会和其他logback文件同时生效.Springboot 默认日志级别是DEBUG,所以在logback初始化之前,会有DEBUG日志输出. 二.项目内外配

  • SpringBoot-application.yml多环境配置详解

    介绍 开发SpringBoot应用的时候,通常程序需要在测试环境测试成功后才会上线到生产环境.而测试环境和生产环境的数据库地址.服务器端口等配置都不同.在为不同环境打jar包时,需要频繁的修改application.yml配置文件,十分麻烦.可以采用创建多个配置文件的方法解决这一问题. 为了实现多环境配置,我们可以在本地开发的时候在Resource文件夹下新建不同环境的配置文件,如下图所示: 默认配置文件application.yml文件可根据自己需求使用,最后会合并其他的application

  • Spring boot工具类静态属性注入及多环境配置详解

    由于需要访问MongoDB,但是本地开发环境不能直接连接MongoDB,需要通过SecureCRT使用127.0.0.2本地IP代理.但是程序部署到线上生产环境后,是可以直接访问MongoDB的,因此开发好程序后,总是要修改一下MongoDB服务器的IP才能提交代码,这样很是不方便. private static final String PUBCHAT_HOST = "127.0.0.2"; // private static final String PUBCHAT_HOST =

  • Docker快速入门以及环境配置详解

    前言 数据科学开发环境配置起来让人头疼,会碰到包版本不一致.错误信息不熟悉和编译时间漫长等问题.这很容易让人垂头丧气,也使得迈入数据科学的这第一步十分艰难.而且这也是一个完全不常见的准入门槛. 还好,过去几年中出现了能够通过搭建孤立的环境来解决这个问题的技术.本文中我们就要介绍的这种技术名叫Docker.Docker能让开发者简单.快速地搭建数据科学开发环境,并支持使用例如Jupyter notebooks等工具进行数据探索. 简介 Docker 最初 dotCloud 公司内部的一个业余项目

随机推荐