win10安装cuda10.0以及VS2013下的CUDA编程测试

安装CUDA 10.0

下载cuda10.0 for windows10, 下载完成之后，得到cuda_10.0.130_411.31_win10.exe文件，执行安装，默认安装目录，选择精简版。
安装完成后，查看系统变量，会发现安装程序已经添加了如下两条系统变量：

然后我们需要进行系统变量的配置：
1.添加5个系统变量

(1)CUDA_BIN_PATH
%CUDA_PATH%\bin

(2)CUDA_LIB_PATH
%CUDA_PATH%\lib\x64

(3)CUDA_SDK_PATH
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0

(4)CUDA_SDK_BIN_PATH
%CUDA_SDK_PATH%\bin\win64

(5)CUDA_SDK_LIB_PATH
%CUDA_SDK_PATH%\common\lib\x64

2.系统变量path中添加四个变量值

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

测试是否安装成功，在控制台输入nvcc -V，若能够看到cuda信息，说明安装正确

安装cuDNN v7.6.0 for CUDA 10.0

cuDNN是用于深度神经网络的GPU加速库，如果不进行深度学习的编程，此步非必须。
下载cuDNN v7.6.0，没有账号需要先注册
cuDNN是插入式设计的，因此安装很简单：
把下载后的压缩文件解压缩，分别将cuda/include、cuda/lib、cuda/bin三个目录中的内容拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0对应的include、lib、bin目录下即可完成安装。

VS2013下CUDA编程测试

打开VS2013，当上面的CUDA安装好之后，在VS2013中将会出现NSIGHT选项卡

新建一个空的Win32 控制台应用程序：

点击下一步：

勾选空项目，点击完成：

生成依赖的配置

右击工程名->生成依赖项->生成自定义：

勾选CUDA生成，点击确定：

配置管理器，添加x64:

工程配置

右键项目 -> 属性 -> 配置属性 -> VC++目录，添加：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\include
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0\common\inc

库目录添加：

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0\common\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64

右键项目 -> 属性 -> 配置属性 ->链接器 -> 输入 -> 附加依赖项，添加C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64下的28(27+1cudnn)个库文件的名称：

cublas.lib


cuda.lib


cudadevrt.lib


cudart.lib


cudart_static.lib


cufft.lib


cufftw.lib


curand.lib


cusolver.lib


cusparse.lib


nppc.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


nvgraph.lib


nvml.lib


nvrtc.lib


OpenCL.lib

#如果没有安装cuDNN，这个库不要包含进来
cudnn.lib

新建CUDA C/C++文件添加代码进行测试

右击源文件->添加->新建项：

选择 CUDA C/C++ File ， 输入名称，点击添加：

添加如下代码进行CUDA测试：

#include "cuda_runtime.h"
#include "device_launch_parameters.h"

//打印GPU设备信息
void print_GPU_device_info()
{
	int deviceCount;
	cudaGetDeviceCount(&deviceCount);
	for (int i = 0; i<deviceCount; i++)
	{
		cudaDeviceProp devProp;
		cudaGetDeviceProperties(&devProp, i);
		std::cout << "使用GPU device " << i << ": " << devProp.name << std::endl;
		std::cout << "设备全局内存总量： " << devProp.totalGlobalMem / 1024 / 1024 << "MB" << std::endl;
		std::cout << "SM的数量：" << devProp.multiProcessorCount << std::endl;
		std::cout << "每个SM的最大线程数：" << devProp.maxThreadsPerMultiProcessor << std::endl;
		std::cout << "每个SM的最大线程束数：" << devProp.maxThreadsPerMultiProcessor / 32 << std::endl;
		std::cout << "每个Block的共享内存大小：" << devProp.sharedMemPerBlock / 1024.0 << " KB" << std::endl;
		std::cout << "每个Block的最大线程数：" << devProp.maxThreadsPerBlock << std::endl;
		std::cout << "每个Block中可用的32位寄存器数量： " << devProp.regsPerBlock << std::endl;
		std::cout << "======================================================" << std::endl;

	}
}


int main()
{
	print_GPU_device_info();

	while (1);
	return 0;
}

出现正常打印GPU信息，表明一切顺利，可以高兴的进行CUDA编程开发了。