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\x64CUDA_BIN_PATH = %CUDA_PATH%\binCUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\x64CUDA_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_suitebandwidthTest.exedeviceQuery.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\includeC:\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\x64C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\common\lib\x64

在 链接器->输入->附加依赖项 填入：

cublas.libcublas_device.libcuda.libcudadevrt.libcudart.libcudart_static.libcufft.libcufftw.libcurand.libcusolver.libcusparse.libnppc.libnppi.libnppial.libnppicc.libnppicom.libnppidei.libnppif.libnppig.libnppim.libnppist.libnppisu.libnppitc.libnpps.libnvblas.libnvcuvid.libnvgraph.libnvml.libnvrtc.libOpenCL.libcudnn.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 <time.h>  #include <iostream>  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; 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;}

---

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