-
一、VS2019、CUDA以及cuDNN的安装及配置网上相关博客很多，在这不再赘述。
-
二、打开VS2019
-
1、创建新项目
-
2、选择c++空项目
-
3、项目名称和位置可以自己选择
-
4、在test1的源文件位置，鼠标右键点击，选择添加->新建项->C++文件（.cpp）
-
5、在test1的位置鼠标右键点击，选择最下方的“属性”，C/C++ -> 常规 ->附加包含目录 -> 添加include（存放的.h文件）
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\include
# 注意版本v11.3
- 在Visual Studio 2019的C/C++项目属性页中，常规（General）选项卡下的“附加包含目录”（Additional Include Directories）是用于指定额外的头文件包含目录的设置。头文件包含目录是编译器在编译过程中搜索头文件（.h文件）的路径。通过在“附加包含目录”中添加路径，可以告诉编译器在这些路径中查找头文件。
-
6、链接器-> 常规 -> 附加库目录->添加lib\64x
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\lib\x64
- 在项目属性中，将库文件输出目录（通常是“lib”目录）添加到链接器的附加库目录中，是确保在链接过程中能够正确找到库文件的常见做法。
-
7、链接器-> 输入 -> 附加依赖项->添加.lib
-
添加.lib时名称较多可以使用，进入C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\lib\x64目录下，在终端中使用命令，得到res.txt，里面存放所有的.lib文件名（使链接器能够在构建可执行文件时找到并将这些库文件链接到您的项目中。）
- 【注：】以配置opencv为例，如果你配置Release，则只需要复制opencv_world460.lib即可；如果你配置Debug，则只需要复制opencv_world460d.lib即可！
-
DIR *.lib /B > res.txt
-
8、设置bin文件夹 （使用.dll文件）
- 这一步有两种做法，
- 第一种是在安装CUDA时，已经添加到系统环境中
- 第二种是直接将bin中用到的.dll文件，复制到test1.exe的同一个目录下
-
9、复制c++代码，运行成功。
#include
#include
#include
const int N = 3; // 矩阵大小
int main() {
// 初始化CUBLAS库
cublasHandle_t handle;
cublasCreate(&handle);
// 定义矩阵大小
int lda = N;
int ldb = N;
int ldc = N;
// 分配内存并初始化矩阵
float A[N * N] = { 1, 2, 3, 4, 5, 6, 7, 8, 9 };
float B[N * N] = { 9, 8, 7, 6, 5, 4, 3, 2, 1 };
float C[N * N] = { 0 };
// 在GPU上分配内存并将矩阵传输到GPU
float* d_A, * d_B, * d_C;
cudaMalloc((void**)&d_A, N * N * sizeof(float));
cudaMalloc((void**)&d_B, N * N * sizeof(float));
cudaMalloc((void**)&d_C, N * N * sizeof(float));
cudaMemcpy(d_A, A, N * N * sizeof(float), cudaMemcpyHostToDevice);
cudaMemcpy(d_B, B, N * N * sizeof(float), cudaMemcpyHostToDevice);
// 执行矩阵相乘
float alpha = 1.0f;
float beta = 0.0f;
cublasSgemm(handle, CUBLAS_OP_N, CUBLAS_OP_N, N, N, N, &alpha, d_A, lda, d_B, ldb, &beta, d_C, ldc);
// 将结果从GPU传回CPU
cudaMemcpy(C, d_C, N * N * sizeof(float), cudaMemcpyDeviceToHost);
// 打印结果
std::cout << "Matrix C:" << std::endl;
for (int i = 0; i < N; ++i) {
for (int j = 0; j < N; ++j) {
std::cout << C[i * N + j] << " ";
}
std::cout << std::endl;
}
// 清理内存
cudaFree(d_A);
cudaFree(d_B);
cudaFree(d_C);
// 销毁CUBLAS句柄
cublasDestroy(handle);
return 0;
}
-
三、编译.CU文件（如有需要）
- .cu 文件： 这些文件包含了 GPU 上运行的 CUDA C/C++ 代码。在 .cu 文件中，可以使用 CUDA 扩展来定义 GPU 函数（称为 kernel），使用线程和块来描述并行执行，以及调用 GPU 函数等。
- 1、鼠标右击项目 -> 生成依赖项 ->生成自定义->点击cuda
- 2、选择.cu文件右击 -> 常规 -> 项内容 ->CUDA C/C++
-
三、CUBLAS库
-
CUBLAS库是一种在CUDA环境下使用的库，它提供了一些CUDA的封装，使得使用CUBLAS函数在CPU上运行是可行的，而不需要额外的GPU代码。这是由于CUBLAS库在其实现中对CUDA的API和数据结构进行了封装，允许在CPU上调用这些函数，而库内部会根据环境选择是否将计算移至GPU上。
需要注意的是，尽管代码看起来直接在C++编译器下运行，但实际上它在内部仍然使用了CUDA库和CUBLAS库的功能。这些库确保了在GPU上进行高性能的计算，但由于封装，可以在C++环境中运行这些代码而无需直接涉及GPU编程。
-
四、.dll和.lib的区别
-
.dll 和 .lib 是在 Windows 系统上用于共享库的两种不同类型的文件。它们在库的使用、链接和部署方面有不同的角色和功能。
-
.dll（Dynamic Link Library）：
-
动态链接库是一种共享库，包含编译好的可执行代码和数据。这些库在运行时由程序动态加载，以便在内存中共享其功能。
-
.dll 文件中包含函数和数据，可以由多个程序共享。这减少了内存使用和代码冗余。
-
当程序需要使用库中的功能时，它会在运行时从 .dll 文件中加载所需的函数和资源。这种方式实现了代码的共享，但需要确保 .dll 文件在运行时可以访问。
-
.lib（Library）：
-
静态库是一组已经编译好的对象代码的集合，可以在编译时被链接到程序中。
-
.lib 文件包含了库中的函数和数据的实现，将这些实现编译进最终生成的可执行文件中。
-
在链接时，编译器会从 .lib 文件中提取所需的函数和资源，将其合并到最终的可执行文件中。这使得可执行文件在运行时不需要外部 .dll 文件。
-
.dll 文件是动态链接库，程序在运行时加载其中的代码和数据，使得代码共享和更新变得更容易，但需要确保 .dll 文件的可用性。
-
总结区别：
-
.dll 文件是动态链接库，程序在运行时加载其中的代码和数据，使得代码共享和更新变得更容易，但需要确保 .dll 文件的可用性。
-
.lib 文件是静态库，编译器在链接时将库的代码和数据嵌入到可执行文件中，使得程序不依赖外部 .dll 文件，但可能导致更大的可执行文件大小。
-
通常，如果希望库的更新可以应用于多个程序，或者希望减少程序的体积，可以选择使用 .dll。如果希望将库的代码完全嵌入到程序中，或者不希望程序依赖外部文件，可以选择使用 .lib。选择哪种类型的库取决于项目需求和设计考虑。
