Ubuntu + CUDA + CMake ( + Eigen !?)

最新推荐文章于 2025-06-10 15:17:08 发布
原创 最新推荐文章于 2025-06-10 15:17:08 发布 · 1.2k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#CUDA #CMake #eigen

目录

起因

C++原有实现有点慢，尝试CUDA加速，突发奇想，能不能在kernel或者device函数里面使用eigen，因为eigen是header file only的。然后发现居然真的可以，不过对于kernel函数而言，视乎有点绕。

实例

在原来CUDA的实例上又搞了一个用eigen的例子。指定图像中的某一个像素为中心，在这个像素附近的窗内对所有像素计算e的指数，再求平方，再窗内像素的结果求和。CUDA实现中没有使用二维的grid和block，这与我那时的需求有关系。

在Ubuntu16.04上利用CMake创建项目。大致思路是所有CUDA实现都编译到一个静态库内，非CUDA的部分对这个库进行连接。所有CUDA实现的代码管理在项目的子文件夹中。文件目录结构为

  • /Root
    • /Includes
      • /CUDARoutines
        • Add.hpp
        • CUDACommon.hpp
        • KernelEigen.hpp
      • Common.hpp
    • /Src
最低0.47元/天 解锁文章

新学期VIP享超值加赠
ubunt 上进行c++ cuda编程
cangqiongxiaoye的博客
09-18 1149
通过一个简单的demo来演示cuda编程是怎么进行的。
Ubuntu基础环境配置及其版本切换(anaconda+opencv+cuda+cmake)
weixin_58207716的博客
07-26 3040
ubuntu基础环境配置
ubuntu安装基本库
xiaomo_233的博客
04-26 3442
ubuntu安装基本库1. Install cuda2. Install git3. Install cmake４. Install boost５. Install eigen3 1. Install cuda 下面这篇亲测可用但我用的是deb安装 链接: link. 2. Install git sudo apt-get install git 3. Install cmake compil...
使用eigen库_使用CUDA PCL 1.0 加速Jetson的点云处理
weixin_35731754的博客
12-15 1134
很多Jetson用户在自动化解决方案中选择激光雷达进行定位和感知。激光雷达使用3D点云描绘周围的空间环境。点云可以高精度长距离采样物体表面信息以便于上层应用的障碍感知、绘图、定位和路径规划算法。使用CUDA-PCL处理点云CUDA PCL 1.0是基于CUDA开发的点云处理库，在本文中，我们将介绍目前所有的三个库：ICP，segmentation 和 filter。请参考相应的章节获取更多信息。J...
VSCode中结合CMake进行CUDA编译
Made In SQL
06-10 1077
VSCode结合CMake实现高效CUDA开发的150字摘要： 本文提供基于VSCode+CMake的CUDA开发全流程方案，包含项目配置（多GPU架构支持、第三方库集成）、调试优化技巧及常见问题解决。关键点包括：1) 通过CMake 3.18+自动管理CUDA编译链；2) 使用CUDA_ARCHITECTURES属性精准控制目标GPU架构；3) VSCode配置调试环境（cuda-gdb/Nsight）；4) 条件编译实现调试/发布模式切换。方案支持跨平台开发，推荐采用Ninja加速构建，并通过可分模块编
cuda-使用cuda并行加速实现之elementwise.zip
04-24
cuda cuda_使用cuda并行加速实现之elementwise
Eigen3.3.3安装配置+VS2015+Cmake
热门推荐
wae42675的博客
05-14 2万+
准备工作： 我的系统是win10，64位，VS是2015，Cmake3.8.1 下载Eigen: 在Eigen官网下载当前最新版本，我下载的是3.3.3版本 新建文件夹 创建根目录Eigen 解压下载的压缩包，得到eigen-eigen-67e894c6cd8f，创建新的文件夹Eigen_bin，目录结构如下图： Cmake 选择source code和build binaries对应的文件夹：点击
ubuntu下cmake+opencv+cuda+cudnn+tensorRT开发环境配置
正经学渣的博客
06-24 2261
ubuntu下cmake+opencv+cuda+cudnn+tensorRT开发环境配置前言cmake 安装多版本cuda+cudnn安装及管理cuda10.1安装 前言 由于对ubuntu系统没有什么深入的理解，导致在安装一些软件时出现各种问题，因此从头配置基本开发环境，总结各种踩坑经历，避免再次陷入坑中。 cmake 安装 由于ubuntu官方支持的cmake最高版本为3.10，因此直接通过apt-get 无法安装最新版本。这里建议在cmake官网上下载编译好的发行版tar文件，下载后解压到你想要放置
制作ubuntu18.04 cuda10.2+ROS1+opencv 4.5.4的 docker镜像
qq_28219531的博客
06-14 1115
如果要使用老的JETPACK，如上图我们要使用4.6的版本。向ros源中添加ros源地址，并配置公钥，如果rosdep update执行失败，可以尝试多试几次.安装sudo 和 lsb_release工具。
Ubuntu18.04+cuda10.0+cilantro配置surfelwarp
qq_42968061的博客
01-05 1307
配置过程简介： surfelwarp的官方文档 1.新建一个项目目录Project，然后依次运行： sudo apt install git git clone https://github.com/weigao95/surfelwarp.git git clone https://github.com/stevenlovegrove/Pangolin.git git clone https://github.com/kzampog/cilantro.git 此时项目目录的结构应为： Project/
ubuntu18.04+cuda10.0+cudnn7.6.0+tensorflow1.13.1源码编译TensorFlow C++动态链接库
broliao的博客
02-28 1940
一、前言 经过差不多一周的折腾，各种坑，终于成功基于TensorFlow源码编译成c++调用的动态链接库，相当不易，在此总结下整个编译的主要过程。 二、环境 相关安装包的版本对应非常重要，因为我电脑系统(双系统)本身是ubuntu18.04，之前已经安装了TensorFlow1.13.1的python版本，之前是为了调起GPU已经安装了cuda10.0和cudnn7.6.0，所以我是基于这个环境再...
基于Eigen运算库的深度学习框架(支持CUDA加速).zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
Ubuntu18.04安装cuda, cudnn,cmake等
abbyi的博客
07-15 377
Ubuntu18.04安装cuda, cudnn,cmake等1. 安装cuda1.1 安装cuda之前一定要检查是否有nvidia的驱动1.2 安装cuda2. 安装cudnn安装cmake 1. 安装cuda 1.1 安装cuda之前一定要检查是否有nvidia的驱动 在 终端输入. nvidia-smi 如图就是有驱动，如果没有驱动需要安装，但这个不再我的承受范围内（为了安驱动崩了好几次系统） 1.2 安装cuda 参考这篇博客： cuda安装。 注意：里面关于的cudnn不够全面 2. 安装cu
【GPU并行计算】Ubuntu安装GPU驱动和CUDA+CMakeLists.txt的编写+RGB图像转灰度CUDA程序
LeonJin的博客
07-28 1732
如果下载不到deb包，也可以通过下载cuda的deb包安装。方法二已经装了GPU驱动通过下载cuda的run脚本安装。安装时，取消安装显卡驱动。
ubuntu+VsCode+Cmake+eigen 开发eigen应用
wzl19910916的博客
09-06 1934
1. 安装Cmake工具 点击左侧的Extensions,搜索Cmake tools,这里已经安装。 2. 安装Cmake cmake --versioin ubuntu系统已经安装cmake, 如果没有安装cmake，请查阅资料在系统中安装cmake. 3. 查看gcc是否安装 gcc -v 如果没有安装gcc,则执行下面命令安装： sudo apt-get update sudo apt-get install build-essential gdb 4. 创建.
ubuntu下cmake+cuda+cudnn+tensorRT开发环境配置
weixin_42301918的博客
05-07 288
Ubuntu aarch64/x86_64 opencv cmake Tensorrt ubuntu下cmake+opencv+cuda+cudnn+tensorRT开发环境配置
eigen3 与 cuda10.0兼容问题
u013630299的博客
04-09 1961
环境：ubuntu16.04 cuda10.0 eigen3.3.7 pcl1.8.1 编译过程中一直受下面问题困扰， usr\include\eigen3\Eigen\src/Core/arch/CUDA/Half.h(212): error : more than one instance of overloaded function “__hadd” matches the...
cuda 9.1 和 eigen手动适配
东邪西毒
04-24 4494
计算机视觉应用中，经常用到eigen库，也会用到cuda库，因为eigen库没有及时follow cuda的更新，导致cuda 9.0和9.1最新的版本，会出eigen兼容问题，报错如下： note：如果使用cmake build，注意下面的顺序，一定放到include_directories开始 include_directories(${CUDA_INCLUDE_DIRS}) ...
[Eigen中文文档] 在 BLAS/LAPACK 、英特尔® MKL 和 CUDA 中使用 Eigen
淋曦的进击手记
06-30 2307
自Eigen 3.3版本以及以后，任何F77兼容的BLAS或LAPACK库都可以用作稠密矩阵乘积和稠密矩阵分解的后端。例如，可以在OSX上使用Intel® MKL，Apple的Accelerate框架，OpenBLAS，Netlib LAPACK等。在这种情况下，Eigen的一些算法会被隐式地替换为对BLAS或LAPACK例程的调用。为了使用外部BLAS和LAPACK库，您必须将自己的应用程序链接到相应的库及其依赖项。对其他标量类型的操作或混合实数和复数的操作将继续使用内置的算法。
ubuntu18.04+3dgs代码复现
最新发布
07-29
在 Ubuntu 18.04 上复现 3D Gaussian Splatting (3DGS) 项目，涉及多个关键步骤，包括系统依赖项配置、CUDA 支持、C++ 编译器升级以及相关开发工具的安装。以下是详细的实现指南： ### 1. 系统依赖与编译器配置 Ubuntu 18.04 自带的 GCC 和 G++ 版本为 7.x，不支持 C++17 标准，而 3DGS 项目可能依赖 C++17 的特性（如 `std::filesystem`），因此必须升级到 GCC-9 或更高版本。可通过以下命令安装并切换默认版本： ```bash sudo apt update sudo apt install gcc-9 g++-9 sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-9 90 sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-9 90 ``` 验证版本升级是否成功： ```bash gcc --version g++ --version ``` ### 2. CUDA 安装与配置 3DGS 项目通常依赖 CUDA 加速，官方推荐使用 CUDA 11.8，其他版本（如 11.6）可能存在兼容性问题[^2]。Ubuntu 18.04 的官方仓库不直接提供 CUDA 11.8 的安装包，需手动下载 NVIDIA 官方提供的 `.run` 文件进行安装。 安装前需禁用 Nouveau 驱动： ```bash sudo bash -c "echo blacklist nouveau > /etc/modprobe.d/blacklist-nvidia-nouveau.conf" sudo update-initramfs -u ``` 重启后，下载 CUDA 11.8 安装包并执行安装： ```bash chmod +x cuda_11.8.0_520.61.05_linux.run sudo ./cuda_11.8.0_520.61.05_linux.run ``` 安装完成后，设置环境变量： ```bash echo 'export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}}' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc source ~/.bashrc ``` ### 3. 安装 Python 与 PyTorch 环境 3DGS 的训练与推理部分通常依赖 PyTorch 和 CUDA 加速的版本。推荐使用 `conda` 创建虚拟环境以隔离依赖： ```bash conda create -n gaussian_splatting python=3.9 conda activate gaussian_splatting pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118 ``` ### 4. 安装项目依赖库 3DGS 项目通常依赖 OpenGL、GLFW、Eigen、OpenCV 等库。Ubuntu 18.04 的默认源可能缺少某些较新版本的依赖包，例如 `libpng-dev` 和 `libopencv-dev` 安装时可能遇到依赖问题[^3]。可尝试手动安装或从源码编译 OpenCV： ```bash sudo apt install libgl1 libglfw3 libgles2-mesa-dev libpng-dev ``` 若 OpenCV 安装失败，可使用以下命令从源码安装： ```bash git clone https://github.com/opencv/opencv.git cd opencv mkdir build && cd build cmake .. make -j$(nproc) sudo make install ``` ### 5. 获取并构建 3DGS 项目 克隆官方或社区维护的 3DGS 项目仓库，例如： ```bash git clone https://github.com/graphdeco-inria/gaussian-splatting.git cd gaussian-splatting mkdir build && cd build cmake .. make -j$(nproc) ``` 若构建过程中报错，检查是否缺少依赖项或 CUDA 配置错误。 ### 6. 运行与可视化 完成构建后，可运行示例数据集进行测试： ```bash cd .. python render.py --model_path output/your_model --iteration 7000 ``` 若需远程可视化，可考虑使用 `superspl.at/editor` 在线平台进行点云渲染[^2]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值