CUDA8.0安装配置 for VS2013

1. 下载并安装CUDA8.0：

官网下载地址：https://developer.nvidia.com/cuda-downloads

2. 配置环境变量：

在系统环境变量中添加如下项目/键值：

CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\x64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

并在系统变量PATH中添加：

;%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;

重启电脑即可。

检验CUDA环境是否配置成功：

A.打开cmd窗口，输入：nvcc -V，屏幕上会显示nvcc编译器的版本信息。

B.打开cmd窗口，输入：

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\extras\demo_suite
bandwidthTest.exe
deviceQuery.exe

如果两者都是：Rsult=PASS，说明安装和配置成功啦；否则可能需要重装。

C.编译CUDA的Samples：
用VS2013打开：C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\Samples_vs2013.sln

可以右键“Samples_vs2013”解决方案（共155个方案）->重新生成解决方案（编译的时间会非常漫长）；
也可以右键“1_Utilities”->重新生成（只编译一部分，会比较快）。

建议用Release模式编译，速度比Debug快。

编译结束后，进入C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\bin\win64\Release会发现我们刚编译出的bandwidthTest.exe和deviceQuery.exe，在cmd窗口中运行，结果应与上面相同。

如果编译过程中，未找到CUDA 8.0.props，会出现如下提示：

将C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\extras\visual_studio_integration\MSBuildExtensions\目录下的4个文件，复制到C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\V120\BuildCustomizations目录下，然后重新启动VS2013即可。

3. VS2013中配置CUDA：

A. 打开VS2013，建立一个win32控制台空项目：

B. 右键工程->生成依赖项->生成自定义；并勾选“CUDA 8.0”。

C. 右键工程->属性->配置管理器->活动解决方案平台->新建->键入或选择新平台->选择“x64”。

D. 菜单->视图->其他窗口->属性管理器：

这里只配置Release的x64版本（因为下载的是x64版，Win32的配置方法类似）。

在 VC++目录->包含目录 填入：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\include
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\common\inc

在 VC++目录->库目录 填入：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\common\lib\x64

在 链接器->输入->附加依赖项 填入：

cublas.lib
cublas_device.lib
cuda.lib
cudadevrt.lib
cudart.lib
cudart_static.lib
cufft.lib
cufftw.lib
curand.lib
cusolver.lib
cusparse.lib
nppc.lib
nppi.lib
nppial.lib
nppicc.lib
nppicom.lib
nppidei.lib
nppif.lib
nppig.lib
nppim.lib
nppist.lib
nppisu.lib
nppitc.lib
npps.lib
nvblas.lib
nvcuvid.lib
nvgraph.lib
nvml.lib
nvrtc.lib
OpenCL.lib
cudnn.lib（选填，当安装cudnn时）

PS：对于OpenCV，建议不要同时配置Release版和Debug版，可能会有冲突。

E. 菜单->工具->选项->文本编辑器->文件扩展名->添加cu和cuh两个文件扩展名，并采用C++编辑器。

这个设置是让VS2013编辑.cu文件时，把.cu文件里的C/C++语法高亮。（输入扩展名cu和cuh，点击“添加”按钮即可）

PS（显示行号）：菜单->工具->选项->文本编辑器->所有语言->常规，勾选“行号”即可。

至此，CUDA的编译环境就搭建完成了。

4. 测试样例：

A. 右键源文件->添加->新建项，选择C++文件，将后缀cpp改为cu即可。

B. 右键.cu文件->属性->项类型，勾选“CUDA C/C++”。

C. 编辑测试用的.cu文件：

// CUDA runtime 库 + CUBLAS 库   
#include "cuda_runtime.h"  
#include "cublas_v2.h"  

#include   
#include   

using namespace std;

// 定义测试矩阵的维度  
const int M = 5;
const int 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; icout << 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;
}

---

更详细的参见：http://blog.csdn.net/lvfeiya/article/details/53325784