前言 本文是转载自网络！！！
本文讲解如何在VS 2010开发平台中搭建CUDA开发环境
当前配置：
系统：WIN7 64位
开发平台：VS 2010（zz用的 VS 2012 ,同样可运行）
显卡：英伟达G卡 （zz显卡型号为NVIDIA GT440）
CUDA版本：6.0
若配置不一样，请勿参阅本文。（注意：安装CUDA 8.0 以及 CUDA 7.5均失败，应该是显卡落后的原因。）
第一步
首先确定自己的GPU是否支持CUDA？支持CUDA哪个版本？
控制面板==>NVIDIA控制面板==>系统信息==>组件，找到NVIDIA.DLL，可查看GPU支持的CUDA版本。
下载 cuda6.0，CUDA 历史版本下载地址为 ：
https://developer.nvidia.com/cuda-toolkit-archive
第二步
运行安装程序，弹出安装过程中转文件路径设定框：
这个路径随便填无所谓，安装完后就会自动删除的，我就直接设置为默认的。
第三步
等待系统帮你检测当前平台是否适合搭建CUDA：
第四步
检测完毕后，正式进入CUDA安装界面：
同意并继续
第五步
然后选择安装模式：
为了完全安装所有功能，选择自定义模式安装。
第六步
接下来勾选要安装的组件：
全部勾上
第七步
接下来要设置三个安装路径：
这三个路径安装的是什么在日后的文章中将会解释，目前先不理会，直接安装到默认路径。点击下一步之后开始正式安装。
第八步
安装完毕后，可以看到系统中多了CUDA_PATH和CUDA_PATH_V6_0两个环境变量，接下来，还要在系统中添加以下几个环境变量：（注意：可能路径不一致，以自己安装的为准）
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v6.0
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\x64
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_LIB_PATH%;%CUDA_SDK_BIN_PATH%;
第九步
重新启动计算机以使环境变量生效
下面先找到deviceQuery.exe文件，路径一般为：C:\ProgramData\NVIDIA Corporation\CUDA Samples\v6.5\bin\win64\Release 。 直接拖到 cmd 窗口运行，如下图：
这里要注意：红框内的计算能力对我们是有用的，需要在 VS 里进行设置，具体过程如下：
1. 右键工程 --> 属性 , 找到 CUDA C/C++ --> Device
2. 点击 编辑 ，如下图，不勾选红框内选项。 我的GPU计算能力为 1.2 ,所以设置为 compute_12, sm_12 ，根据你的GPU计算 能力进行设置。
有两种方法可进行CUDA与VS间的配置，下面先说第一种简单的方法：
第十步
打开VS，文件 -> 新建 -> 项目。选择CUDA项目，如下图
VS会自动为你配置好环境，并且会自动创建一个 kernel.cu 例子文件。
第二种方法如下，有点麻烦：
第十步
打开VS2010并建立一个空的win32控制台项目：（VS 2012 同样可以这样配置）
附加选项那里请把“空项目”打钩：
第十一步
右键源文件 -> 添加 -> 新建项
在打开的对话框中选择新建一个CUDA格式的源文件 (如果你只是要调用 CUDA 库编写程序而不需要自行调用核函数分配块，线程的话也可以就建立 .cpp 的源文件)：
第十二步
右键工程 -> 生成自定义
在弹出的对话框中勾选“CUDA 6.0 *****"选项：
第十三步
右键项目 -> 属性 -> 配置属性 -> VC++目录，添加以下两个包含目录：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v6.0\include
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v6.0\common\inc
再添加以下两个库目录：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v6.0\lib\x64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v6.0\common\lib\x64
第十四步
右键项目 -> 属性 -> 配置属性 ->连接器 -> 常规 -> 附加库目录，添加以下目录：
$(CUDA_PATH_V6_0)\lib\$(Platform)
如下图所示：
第十五步
右键项目 -> 属性 -> 配置属性 ->连接器 -> 输入 -> 附加依赖项，添加以下库：
cublas.lib
cublas_device.lib
cuda.lib
cudadevrt.lib
cudart.lib
cudart_static.lib
cufft.lib
cufftw.lib
curand.lib
cusparse.lib
nppc.lib
nppi.lib
npps.lib
nvblas.lib (32位系统请勿附加此库!)
nvcuvenc.lib
nvcuvid.lib
OpenCL.lib
如下图所示：
第十六步
右键项目 -> 属性，如下图所示：
第十七步
打开配置管理器，如下图所示：
好了，至此平台已经完全搭建完毕，可用以下代码进行测试：
// 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 // ldc ); // 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
PS: 矩阵元素是随机生成的
小结
不论什么开发环境的搭建，都应该确保自己电脑的硬件配置，软件版本和参考文档的一致，这样才能确保最短的时间内完成搭建，进入到具体的开发环节。
注意：版本问题也要注意，硬件可能不支持 CUDA 最新版本！！
！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！
下面是一些常见的错误及解决办法
一、错误如下图：
解决办法：没有链接cublas.lib库，如下图，在附加依赖项中添加 cublas.lib 库即可。
二、 其他错误如：计算结果不正确、编译通过但允许错误等，请参考 第九步 中 compute_20, sm_20的设置。
其他错误后续更新中......................