构建 CUDA 编程环境
1. 前言
进行 CUDA 开发时，首先需要一台带有 GPU 显卡的机器（废话），笔记本、台式机、服务器都可以。此仓库以 Linux 系统为基础环境，Windows 环境的配置下文会提供一些教程（我没有 windows，穷）。
2. Linux 环境搭建
2.1 查看 GPU 信息
在装有 GPU 显卡的 Linux 系统上，一般自带了 nvidia-smi 命令，可以查看显卡驱动版本号、型号等信息，如下是我开发机的输出信息：
- CUDA 版本： 11.2
- 驱动版本： 460.32.03
- GPU 型号：Tesla 架构 V100
- 显卡容量：16G * 8 卡
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 460.32.03 Driver Version: 460.32.03 CUDA Version: 11.2 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|===============================+======================+======================|
| 0 Tesla V100-SXM2... On | 00000000:3F:00.0 Off | 0 |
| N/A 34C P0 57W / 300W | 16128MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 1 Tesla V100-SXM2... On | 00000000:40:00.0 Off | 0 |
| N/A 33C P0 53W / 300W | 764MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 2 Tesla V100-SXM2... On | 00000000:41:00.0 Off | 0 |
| N/A 36C P0 54W / 300W | 9666MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 3 Tesla V100-SXM2... On | 00000000:42:00.0 Off | 0 |
| N/A 37C P0 56W / 300W | 3280MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 4 Tesla V100-SXM2... On | 00000000:62:00.0 Off | 0 |
| N/A 31C P0 40W / 300W | 3MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 5 Tesla V100-SXM2... On | 00000000:63:00.0 Off | 0 |
| N/A 31C P0 39W / 300W | 3MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 6 Tesla V100-SXM2... On | 00000000:64:00.0 Off | 0 |
| N/A 34C P0 41W / 300W | 3MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 7 Tesla V100-SXM2... On | 00000000:65:00.0 Off | 0 |
| N/A 34C P0 41W / 300W | 3MiB / 16160MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
如果你的机器上显卡驱动都没有安装，可以参考 Nvidia 官网根据你显卡的型号，下载和安装对应的驱动：https://www.nvidia.cn/geforce/drivers/
2.2 安装 Toolkit
CUDA Toolkit 是开发 CUDA 程序必备的工具。就像我们写 C++ 一样，你得装 GCC 吧，Toolkit 装完在命令行里输入 nvcc -V 就会输出版本信息，比如：
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2021 NVIDIA Corporation
Built on Thu_Jan_28_19:32:09_PST_2021
Cuda compilation tools, release 11.2, V11.2.142
Build cuda_11.2.r11.2/compiler.29558016_0
如果还不是很清楚 CUDA Toolkit 是什么，可以翻阅 Nivida 官网的介绍：
The NVIDIA® CUDA® Toolkit provides a development environment for creating high performance GPU-accelerated applications. With the CUDA Toolkit, you can develop, optimize, and deploy your applications on GPU-accelerated embedded systems, desktop workstations, enterprise data centers, cloud-based platforms and HPC supercomputers. The toolkit includes GPU-accelerated libraries, debugging and optimization tools, a C/C++ compiler, and a runtime library to deploy your application.
安装时，直接点击 Nivida 官网 的 Download Now 下载安装即可。安装后可以借助 nvcc -V 来确认是否安装成功。
2.3 运行 Demo 样例
新建一个 hello_world.cu 文件（见此目录）:
#include <stdio.h>
__global__ void cuda_say_hello(){
printf("Hello world, CUDA! %d\n", threadIdx.x);
}
int main(){
printf("Hello world, CPU\n");
cuda_say_hello<<<1,1>>>();
cudaError_t cudaerr = cudaDeviceSynchronize();
if (cudaerr != cudaSuccess)
printf("kernel launch failed with error \"%s\".\n",
cudaGetErrorString(cudaerr));
return 0;
}
首先使用如下命令编译 nvcc hello_world.cu -o hello_world, 然后执行 ./hello_world, 会得到如下输出：
Hello world, CPU
Hello world, CUDA! 0
恭喜你，已经完成的初步环境的搭建了。
2.3 Windows 环境配置
Windows 环境配置同样需要安装 CUDA Toolkit，下载地址为：https://developer.nvidia.com/cuda-downloads。
在 Windows 进行安装时需要选自定义模式，采用精简模式安装后无法运行 nvcc 命令。
安装成功后可尝试 nvcc --version 检测下，编译时如果缺少 cl.exe，则需要安装 Microsoft Visual Studio(使用 C++的桌面开发版本即可)。安装完成后，将 cl.exe 所在路径添加到系统变量中，cl.exe 通常所在文件夹为C:\Program Files (x86)\Microsoft Visual Studio\2019\BuildTools\VC\Tools\MSVC\{version}\bin\Hostx64\x64，具体路径根据实际安装情况有所不同。
和 Linux 不同之处在于，安装 Toolkit 之后还需要配置下环境变量。默认系统会已经有 CUDA_PATH 和 CUDA_PATH_V11.0（11.0 应该是版本号），需要自己在额外添加如下环境变量：
CUDA_BIN_PATH: %CUDA_PATH%\bin
CUDA_LIB_PATH: %CUDA_PATH%\lib\x64
CUDA_SDK_PATH: C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.6 #<---- 注意版本号可能不一样
CUDA_SDK_BIN_PATH: %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH: %CUDA_SDK_PATH%\common\lib\x64
此外，还需要在系统变量 PATH 中添加如下变量：
%CUDA_BIN_PATH%
%CUDA_LIB_PATH%
%CUDA_SDK_BIN_PATH%
%CUDA_SDK_LIB_PATH%
最终，可以运行安装目录下 Nvidia 提供的测试 .exe 执行文件：deviceQuery.exe、bandwidthTest.exe，如果运行没有问题，则表示环境配置成功了.(在安装路径 extras/demo_suite目录里)