保姆级教程：在Windows 11上用VS2022和CUDA 12.1搭建你的第一个GPU程序

关注

原创最新推荐文章于 2026-06-13 12:31:15 发布 357 阅读 AI 写同款· GEO 优化 ›

win11+CUDA12.0+vs2022环境搭建这一步是卡在了系统兼容性检查上，最开始不通过的时候系统工程师让我“打开系统设置，搜索内核隔离，关闭下里面的所有的选项”但还是没有解决，搜了一下发现需要在“控制面板里选择卸载程序把NVIDIA Framework SDK...删掉”，然后重新安装11.2程序，就通过了，剩下的按照提示选择“自定义安装”等就可以了，其中选项中CUDA里有一个“Visual Studio Interpreter”要不要勾选，因为我之前没有下过任何东西，所以我勾选了，后面在结束里提示里安装成功。阅读详情

保姆级教程：在Windows 11上用VS2022和CUDA 12.1搭建你的第一个GPU程序

引言：为什么你需要GPU加速？

想象一下，你正在处理一个需要大量数学运算的任务——比如训练神经网络、渲染3D图形或者分析海量数据。传统的CPU虽然通用性强，但面对这些高度并行化的计算任务时，往往显得力不从心。这时，GPU（图形处理器）的强大并行计算能力就能大显身手了。

NVIDIA的CUDA（Compute Unified Device Architecture）技术让开发者能够直接利用GPU进行通用计算。通过本教程，即使你从未接触过GPU编程，也能在Windows 11系统上，使用Visual Studio 2022和CUDA 12.1成功运行你的第一个GPU程序。我们将重点关注那些新手最容易踩坑的环节，确保你一次配置成功。

1. 环境准备：从零开始的完整检查清单

1.1 硬件与驱动验证

在开始安装任何软件之前，首先要确认你的硬件是否支持CUDA：

检查显卡型号 ：右键点击桌面空白处，选择"NVIDIA控制面板" → "系统信息"，查看显卡型号。只有NVIDIA显卡才支持CUDA计算。

更新显卡驱动 ：

打开NVIDIA GeForce Experience或访问 NVIDIA驱动下载页面
安装最新版驱动后，在命令行运行：
```
nvidia-smi
```

输出示例：

+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 531.14       Driver Version: 531.14       CUDA Version: 12.1               |
|-----------------------------------------+----------------------+----------------------+
|  GPU  Name            TCC/WDDM  | Bus-Id        Disp.A | Volatile Uncorr. ECC |
|  Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|=========================================+======================+======================|
|    0  NVIDIA GeForce RTX 4060  WDDM  | 00000000:01:00.0 Off |                  N/A |
| N/A   39C    P3    12W /  N/A |      0MiB /  8188MiB |      0%      Default |
+-----------------------------------------+----------------------+----------------------+

这里显示的"CUDA Version"表示你的驱动支持的最高CUDA版本（本例为12.1）

提示：如果nvidia-smi不显示CUDA版本，说明你的显卡可能不支持CUDA，或者驱动版本过旧。

1.2 软件安装顺序与版本匹配

正确的安装顺序至关重要，否则可能导致VS找不到CUDA模板：

Visual Studio 2022 （社区版即可）
- 安装时务必勾选"使用C++的桌面开发"工作负载
- 推荐安装路径保持默认（C:\Program Files\Microsoft Visual Studio\2022\Community）
CUDA Toolkit 12.1
- 下载地址： NVIDIA CUDA Toolkit Archive
- 选择与驱动匹配的版本（本例为12.1.0）
cuDNN v8.8.1
- 下载地址： NVIDIA cuDNN Archive
- 需注册NVIDIA开发者账号
- 选择对应CUDA 12.x的版本（如v8.8.1）

2. 详细安装指南：避坑手册

2.1 CUDA Toolkit安装详解

运行下载的CUDA安装包时，建议选择"自定义"安装：

关键组件 ：
- CUDA → Development → Documentation → Samples（全选）
- Driver components → 如果已安装最新驱动，可取消勾选
安装路径 ：
- 默认路径为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1
- 建议保持默认，避免后续环境变量配置混乱

安装完成后验证：

nvcc -V

预期输出：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Wed_Feb__8_05:53:42_Coordinated_Universal_Time_2023
Cuda compilation tools, release 12.1, V12.1.66

2.2 cuDNN配置技巧

cuDNN的配置是新手最容易出错的地方：

下载的cuDNN是一个压缩包，解压后包含三个文件夹：
- bin
- include
- lib
将这些文件夹中的内容复制到CUDA安装目录的对应文件夹中：
- C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
- C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\include
- C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib\x64

注意：是复制文件夹内的内容，不是直接覆盖文件夹本身！

3. VS2022中的CUDA项目实战

3.1 创建第一个CUDA项目

打开VS2022 → 创建新项目 → 搜索"CUDA" → 选择"NVIDIA CUDA 12.1"模板
项目命名（如HelloCUDA）→ 选择保存路径
解决方案资源管理器中会看到：
- 源文件 → kernel.cu（CUDA核心代码）
- 头文件 → device_launch_parameters.h（预包含的CUDA头文件）

3.2 理解模板代码

自动生成的kernel.cu包含一个简单的向量加法示例：

__global__ void addKernel(int* c, const int* a, const int* b) {
    int i = threadIdx.x;
    c[i] = a[i] + b[i];
}

int main() {
    const int arraySize = 5;
    int a[arraySize] = { 1, 2, 3, 4, 5 };
    int b[arraySize] = { 10, 20, 30, 40, 50 };
    int c[arraySize] = { 0 };
    
    int *dev_a = 0, *dev_b = 0, *dev_c = 0;
    cudaMalloc(&dev_a, arraySize * sizeof(int));
    cudaMalloc(&dev_b, arraySize * sizeof(int));
    cudaMalloc(&dev_c, arraySize * sizeof(int));
    
    cudaMemcpy(dev_a, a, arraySize * sizeof(int), cudaMemcpyHostToDevice);
    cudaMemcpy(dev_b, b, arraySize * sizeof(int), cudaMemcpyHostToDevice);
    
    addKernel<<<1, arraySize>>>(dev_c, dev_a, dev_b);
    
    cudaMemcpy(c, dev_c, arraySize * sizeof(int), cudaMemcpyDeviceToHost);
    
    cudaFree(dev_a); cudaFree(dev_b); cudaFree(dev_c);
    
    return 0;
}

关键概念解析：

__global__ ：声明一个在GPU上执行的函数（称为kernel）
<<<1, arraySize>>> ：执行配置，表示启动1个block，每个block有arraySize个线程
cudaMalloc ：在GPU上分配内存
cudaMemcpy ：在主机(CPU)和设备(GPU)之间传输数据

3.3 项目属性配置检查

右键项目 → 属性 → 确保以下配置正确：

常规：
- 平台工具集：Visual Studio 2022 (v143)
- CUDA C/C++ → Target Machine Platform：64-bit (x64)
CUDA C/C++ → Device：
- Code Generation：compute_89,sm_89（根据你的GPU架构调整）

提示：要查询你的GPU架构，可访问 NVIDIA CUDA GPU列表

4. 常见问题与调试技巧

4.1 编译错误排查

错误类型	可能原因	解决方案
MSB3721	CUDA编译器路径错误	检查项目属性 → CUDA C/C++ → Additional Include Directories
LNK1181	cuDNN配置不正确	确认cuDNN文件已正确复制到CUDA安装目录
C2065	头文件缺失	确保包含cuda_runtime.h和device_launch_parameters.h

4.2 运行时错误处理

CUDA error: invalid device function ：
- 通常是因为Code Generation设置与GPU架构不匹配
- 解决方案：调整项目属性中的Code Generation（如改为compute_75,sm_75）
CUDA error: out of memory ：
- 检查GPU内存使用情况（通过nvidia-smi）
- 减少数据规模或优化内存管理

4.3 性能验证技巧

在main()函数最后添加打印语句，验证计算结果：

for (int i = 0; i < arraySize; i++) {
    printf("%d + %d = %d\n", a[i], b[i], c[i]);
}

预期输出：

1 + 10 = 11
2 + 20 = 22
3 + 30 = 33
4 + 40 = 44
5 + 50 = 55

5. 进阶第一步：修改模板实现自己的功能

现在你已经成功运行了第一个CUDA程序，接下来可以尝试修改模板：

改变计算任务 ：

__global__ void multiplyKernel(int* c, const int* a, const int* b) {
    int i = threadIdx.x;
    c[i] = a[i] * b[i];
}

增加数据规模 ：

const int arraySize = 1000;
// 修改执行配置为多个block
multiplyKernel<<<10, 100>>>(dev_c, dev_a, dev_b);

添加错误检查 ：

#define CHECK(call) { \
    const cudaError_t error = call; \
    if (error != cudaSuccess) { \
        printf("Error: %s:%d, ", __FILE__, __LINE__); \
        printf("code:%d, reason:%s\n", error, cudaGetErrorString(error)); \
        exit(1); \
    } \
}

CHECK(cudaMalloc(&dev_a, arraySize * sizeof(int)));

测量执行时间 ：

cudaEvent_t start, stop;
cudaEventCreate(&start);
cudaEventCreate(&stop);

cudaEventRecord(start);
multiplyKernel<<<10, 100>>>(dev_c, dev_a, dev_b);
cudaEventRecord(stop);

cudaEventSynchronize(stop);
float milliseconds = 0;
cudaEventElapsedTime(&milliseconds, start, stop);
printf("GPU time: %.3f ms\n", milliseconds);