window10下CUDA9安装和vs2015配置

环境是window10下cuda9和vs2015配置的，教程按照下面进行配置的，如果出现link2019错误，是因为lib库问题。lib库需要将cuda_path的lib库全部添加进去以及lib的名字。版权归原作者所有，配置过程仅供参考。

1.VS2013 + CUDA7.5 安装和配置

转载地址：http://blog.csdn.net/u011314529/article/details/51505029

1.1 CUDA 7.5 安装

1.cuda官方下载网址，目前最新版本为cuda7.5，选择自己系统对应的版本下载安装程序。
2.运行cuda_ 7.5.18_windows.exe，程序会检测系统的兼容性如下图：
3.选择“同意并继续”，进入下图安装过程（备注：安装cuda时，要关闭所有的vs程序）
4.等待大概半个小时后，安装程序终于完成了。

1.2 添加环境变量

CUDA_PATH = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5
CUDA_PATH_V7_5 = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v7.5
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

然后，在系统变量path的末尾添加： %CUDA_LIB_PATH%；%CUDA_BIN_PATH%；%CUDA_SDK_BIN_PATH%；%CUDA_SDK_LIB_PATH%；

1.3 重启计算机使得环境变量生效

1.4 VS2013 + CUDA7.5配置

1.打开vs2013并创建一个空win32程序,创建一个cuda_samples的解决方案和cuda_test1项目：
2.右键源文件–>添加–>新建项，如下图所示：

3.选择NIVIDIA CUDA7.5中 CUDA C/C++file，并在名称那填上cuda_main

4.选择cuda_test1，点击右键–>项目依赖项–>自定义生成

5.选择CUDA7.5

6.点击cuda_main.cu的属性

1. 在配置属性–>常规–>项类型–>选择“CUDA C/C++”

1.5 项目配置

1.5.1 x64

1.5.1.1 包含目录配置

1.右键点击项目属性–>属性–>配置属性–>VC++目录–>包含目录
2.添加包含目录：
$(CUDA_PATH)\include

1.5.1.2 库目录配置

1.VC++目录–>库目录
2.添加库目录：
$(CUDA_PATH)\lib\x64

1.5.1.3 依赖项

1. 配置属性–>连接器–>输入–>附加依赖项
1. 添加库文件：
  cublas.lib
  cuda.lib
  cudadevrt.lib
  cudart.lib
  cudart_static.lib
  nvcuvid.lib
  OpenCL.lib`

注意：添加nvcuvenc.lib库文件，编译时，报找不到该文件的错误。去掉后，程序也能运行

1.5.2 x86(win32)

1.5.2.1 包含目录配置

1. 右键点击项目属性–>属性–>配置属性–>VC++目录–>包含目录
1. 添加包含目录：
  $(CUDA_PATH)\include

1.5.2.2 库目录配置

1.VC++目录–>库目录
2.添加库目录：
$(CUDA_PATH)\lib\Win32

1.5.2.3 依赖项

1. 配置属性–>连接器–>输入–>附加依赖项
1. 添加库文件：
  cuda.lib
  cudadevrt.lib
  cudart.lib
  cudart_static.lib
  nvcuvid.lib
  OpenCL.lib`

备注： win32和x64位的lib库有差别，配置时需注意，除了上述添加的lib文件外，x64还有其他的lib库文件，如cublas.lib,如运行1.6的样例时，要添加这个库，不然会编译失败。

1.6 样例

// 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
int const M = 5;
int const 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 // );
// 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;
}

运行结果如下图所示：(亲测)

window10下CUDA9安装和vs2015配置相关推荐

【网络通信】【GNS3】Window10 下 GNS3 安装与配置
本文记录 GNS3 2.2.12 在 Window10 下的安装与配置过程. 文章目录 1. 安装 GNS3 1.1 下载安装文件 1.2 安装过程 2. 配置 GNS3 2.1 基本配置 2.2 添 ...
window10下拯救者笔记本RTX3060laptop配置CUDA11.0 pytorch版详解
cuda版本11.0 torch=1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.2 可以直接用命令: pip install torch== ...
凯歌Java百家号_centos7下静默安装oracle11G图解配置 1
前言: 本文是<centos7下静默安装oracle11G图解配置>中第一篇.因linux下安装Oracle太过繁琐,如果写在一篇文章中,太长了.本文主要讲解安装前环境配置. Centos ...
win10下VMware安装CentOS7并配置网络
win10下VMware安装CentOS7并配置网络虚拟机安装网上教程很多,碰到问题也容易解决,这里就记录下便于自己翻越,有不足之处还请指明,不吝赐教~~~(ps:多图预警) 安装VMware 首先 ...
win10系统下nodejs安装及环境配置
win10系统下nodejs安装及环境配置一.下载对应的nodejs安装包 1.官网地址:https://nodejs.org/en/ (可以下载旧版本:打开 https://nodejs.org/ ...
windows下VS安装CUDA环境配置
CUDA安装见:https://blog.csdn.net/Ang_go/article/details/122329715 本文内容均在已安装VS和CUDA情况下,如需安装教程,请自行搜索. win ...
Win7下OpenCV3.2.0+VS2015配置
参考自:https://blog.csdn.net/qq_22812319/article/details/78335880 一.预备知识 1.下载opencv时,opencv与vs版本是有固定关系的 ...
Win10下OpenCV3.2.0+VS2015配置
本文主要参考不觉岁华成暗度的博客,链接为https://blog.csdn.net/qq_22812319/article/details/78335880 一,预备知识 1)已经安装完成VS2015 ...
centos系统php环境配置,CentOS 6.4系统下编译安装LNMP和配置PHP环境具体步骤
一.准备工作上pkgs.org下载rmpforge.rpmforge是一个第三方yum源. 选择相应的版本下载安装. // 安装成功后,清空yum list 并重新获取 [root@pangou ...
windows下快速安装nginx 并配置开机自启动
nginx已经是我们日常开发中在常用不过的工具了,简单快捷的安装和配置,大大减少了我们部署调试浪费的时间,本文给各位同学介绍一下nginx正常安装流程,以及开机自启动配置,记得提前收藏,莫要书到用 ...