文章目录
记录两种CUDA开发环境的配置过程。
一、Visual Studio 2022 + CUDA 11.6 (Windows10)
（参考：win10+cuda11.0+vs2019安装教程）
1、Visual Studio community 2022的安装
1). 下载Visual Studio community 2022 版本。下载连接
2). 安装”使用c++的桌面开发“,安装的路径可以自定义
2、NVIDIA驱动的安装
1）检查驱动是否安装：在cmd命令窗口中输入nvidia-smi：
同时可以查看驱动的版本号
2）如果没有安装，则可以进入NVIDIA官网选择相应的显卡进行下载，并安装驱动。如能显示上图信息，则驱动安装成功。NVIDIA驱动下载地址
3、CUDA 11.6的安装
1). 进入CUDA Toolkit官网进行下载。下载后直接运行exe文件，默认安装即可。CUDA 11.6下载地址
2). 安装结束后，查看系统变量中已经加入了cuda的两个路径：
3). 继续添加其它的环境变量：
在系统变量中加入下面的路径，点击确定：
CUDA_BIN_PATH: %CUDA_PATH%\bin
CUDA_LIB_PATH: %CUDA_PATH%\lib\x64
CUDA_SDK_PATH: C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.6
CUDA_SDK_BIN_PATH: %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH: %CUDA_SDK_PATH%\common\lib\x64
在系统变量path中加入下面的的变量：
%CUDA_BIN_PATH%
%CUDA_LIB_PATH%
%CUDA_SDK_BIN_PATH%
%CUDA_SDK_LIB_PATH%
4). 检查是否安装成功：
打开cmd，定位到图示位置。分别运行这两个程序deviceQuery.exe、bandwidthTest.exe ，result=pass则安装成功，否则就重新安装：
4、Visual Studio 配置与测试
1). 启动VS2022，新建一个工程，点击CUDA11.6 runtime。
2). 新建工程。
3). 新建完成后，会出现一个示例，具体内容为kernel.cu (程序分析)
4). 添加.cu 到编辑器和扩展名：
（工具–>选项–>文本编辑器–>文件拓展名, 新增扩展名 .cu 并将编辑器设置为：Microsoft Visual C++。）
（工具–>选项–>项目和解决方案–>VC++项目设置，添加要包括的扩展名".cu"）
（右键打开的项目–>生成依赖项–>生成自定义–>勾选CUDA v11.6）
（右键.cu文件–>文件属性设置为 CUDA c/c++）
5). 测试。点击运行，得到下面结果。
5、debug
1). Visual Studio中默认是CPU代码的调试，如果需要调试GPU上的代码，需要使用extension中的Nsight (strat CUDA debugging).
(工具栏->插件->Nsight->start CUDA debugging)。同时勾选break on luanch。
进入GPU调试
二、Visual Studio Code + CUDA 11.6 (远程连接Ubuntu)
目前VS code中支持linux的CUDA-debug，暂不支持windows。
1、VS code 的安装。（省略）
2、VS code ssh远程连接（可参考其他详细教程，这里只记录主要步骤）
安装Renote-SSH插件：
点击 ”＋“，并在输入ssh登录命令：ssh root@ip -p xxxx
选择.ssh/config。
config文件记录了服务器的IP和端口号。
这里有两种登录方式，一种每次登录都需要输入密码，另一种是使用密钥登录。
1）输入密码登录：
点击在新窗口中连接主机
在新的窗口中，选择需要打开的文件路径，并输入密码
2）免密登录：
在本地打开cmd，输入ssh-keygen，
接着在C:\Users(username).ssh中生成了两个文件：
在本地的.ssh/config文件中，加入密钥id_rsa路径。
加入密钥地址
然后将公钥id_rsa.pub拷贝到服务器.ssh路径中，并在终端输入：
mkdir .ssh
mv id_rsa.pub .ssh
cd .ssh cat id_rsa.pub >> authorized_keys
sudo chmod 600 authorized_keys
service sshd restart
重启即可免密连接。
3、安装相关插件
1). 在本地端和远程端安装C++和Nsight插件：
4). 安装CUDA 11.6
安装和更新相关依赖库，在终端中输入：
sudo apt update # 更新 apt sudo apt install gcc g++ make # 安装 gcc g++
make sudo apt install libglu1-mesa libxi-dev libxmu-dev
libglu1-mesa-dev freeglut3-dev # 安装依赖库
选择合适CUDA版本，并获取下载命令，官网地址。在终端输入获取的命令，自动下载和安装。
这里是安装CUDA11.6
wget https://developer.download.nvidia.com/compute/cuda/11.6.2/local_installers/cuda_11.6.2_510.47.03_linux.run
sudo sh cuda_11.6.2_510.47.03_linux.run
验证是否安装成功：输入nvcc-V，得到下面的信息。
4、编译和调试（以matrixMul为例）
1). 打开例程matrixMul：
（cuda11.6中的例程在github中，需要手动git clone 下载。这里将Samples下载到/usr/local/cuda-11.6/samples/cuda_samples/Samples路径中）
2).编写 c_cpp_properties.json
{
"configurations": [
{
"name": "Linux",
"includePath": [ # 头文件路径
"${workspaceFolder}/**",
"${workspaceFolder}/../../../Common"
],
"defines": [],
"compilerPath": "/usr/local/cuda/bin/nvcc", # 编译器路径
"cStandard": "gnu17",
"cppStandard": "gnu++14",
"intelliSenseMode": "linux-gcc-x64",
"configurationProvider": "ms-vscode.makefile-tools"
}
],
"version": 4
}
3). 编写launch.json （用于debug）
# 点击run and debug --> create a luanch.json -->选择CUDA C++(CUDA-GDB)
# 将luanch.json 修改如下：
{
"version": "0.2.0",
"configurations": [
{
"name": "CUDA C++: Launch",
"type": "cuda-gdb",
"request": "launch",
"program": "${workspaceFolder}/matrixMul", # 程序所在路径
"debuggerPath":"/usr/local/cuda-11.6/bin/cuda-gdb", # 调试器所在的路径
"preLaunchTask": "ReBuild" # 程序所在路径
}
]
}
4). 编写 tasks.json（用于build）
# 共编写了两个task，分别是build 和 rebuild
{
"version": "2.0.0",
"tasks": [
{
"label": "Build",
"type": "shell",
"command": "make dbg=1",
"problemMatcher": ["$nvcc"],
"group": {
"kind": "build"
}
},
{
"label": "ReBuild",
"type": "shell",
"command": "make clean; make dbg=1; make run",
"problemMatcher": ["$nvcc"],
"group": {
"kind": "build",
"isDefault": true
}
}
]
}
5). 编译和调试：按F5。
编辑于 2022-03-28 13:27