一小时实践入门 GPU 和 CUDA（一）
简介GPU
GPU（图形措置单元）是一种专门措置图像和视频的计算设备。最初，GPU主要用于衬着高质量的图像和视频，因为它们能并行措置大量的像素和顶点数据。然而，随着科学和工程范围对大规模并行计算的需求增加，GPU开始被用于更广泛的应用，包罗科学计算、机器学习和数据分析等。
与CPU（中央措置单元）对比，GPU有更多的核心（凡是是数百到数千个），能同时措置大量的计算任务。这使得GPU在措置大规模并行计算任务时，比如机器学习和深度学习的训练过程，能有非常高的效率。
CUDA
CUDA（Compute Unified Device Architecture）是NVIDIA公司开发的一种编程模型和软件环境，它允许开发者使用C、C++、Python等高级语言来编写GPU法式。
在CUDA模型中，法式员编写一种被称为内核的函数，这些函数在GPU的多个线程上并行执行。法式员还可以控制线程的组织和通信，以优化性能和资源操作。
CUDA提供了一套丰硕的开发东西，包罗编译器、库、调试器和性能分析东西，这些东西使得开发者可以更容易地开发和优化CUDA法式。
通过使用CUDA，开发者可以操作NVIDIA的GPU来加速各种类型的计算密集型任务，从而极大地提高了这些任务的性能。
前置常识
在开始学习 GPU 和 CUDA 之前，你可能需要了解和筹备以下技术或软件：
[*]计算机科学基础：理解计算机系统的基本概念，包罗计算机硬件、操作系统、编程语言等。出格是对于计算机硬件，理解CPU和内存的工作道理将有助于你理解 GPU 的工作道理。
[*]并行计算基础：GPU 的优势在于其强大的并行计算能力。因此，你需要了解并行计算的基本概念，包罗并行计算模型（如 SIMD 和 MIMD）、并行算法、并行性能评估等。
[*]C/C++ 编程：CUDA 是一种 C/C++ 扩展，所以你需要熟悉 C/C++ 语言。你应该熟悉 C/C++ 的基本语法，包罗变量、数据类型、控制流、函数、指针等。此外，理解C/C++ 的内存打点也很重要，因为在 CUDA 编程中，你需要手动打点 GPU 的内存。
[*]基本的线性代数、微积分和概率常识：这些数学常识在 GPU 编程和深度学习中城市用到。你不需要成为数学专家，但至少需要对这些概念有基本的理解。
[*]操作系统：你需要熟悉你的操作系统（Linux 或 Windows），因为你需要在命令行环境中进行 CUDA 编程。你需要知道如安在命令行环境中操作，如何安装软件，如何打点文件和目录等。
[*]硬件设备：你需要有一台 NVIDIA 的 GPU。CUDA 是 NVIDIA 的一项技术，只能在 NVIDIA 的 GPU上运行。
以上是你在开始学习 GPU 和 CUDA 之前可能需要了解和筹备的技术或软件。每一项都是一个大的主题，需要花费必然的时间去学习和实践。但不用担忧，你可以一步一步来，学习 GPU 和 CUDA 是一个持续的过程，祝你学习愉快！
学习打算
在一小时内基本学习 GPU 和 CUDA，我建议你可以按照以下法式来进行：
法式一：了解 GPU 和 CUDA 的基础常识（20 分钟）
[*]首先了解什么是 GPU，以及它如何用于加速并行计算。
[*]然后了解什么是 CUDA，以及它如安在 NVIDIA 的 GPU 长进行编程。
你可以阅读 NVIDIA 官方网站或者相关教材中的简介部门，或者不雅观看一些在线教程或视频。
法式二：设置 CUDA 环境（10 分钟）
[*]确认你的机器是否有 NVIDIA 的 GPU，而且是否撑持 CUDA。
[*]安装 NVIDIA 的驱动法式和 CUDA 东西包。
法式三：编写并运行你的第一个 CUDA 法式（20 分钟）
[*]学习 CUDA 编程的基本概念，包罗线程、块、网格和内存模型。
[*]编写一个简单的 CUDA 法式，例如使用 GPU 进行向量加法。
你可以找一些 CUDA 的教程或样例代码，然后本身动手实践。
法式四：理解并优化 CUDA 法式（10 分钟）
[*]学习如何使用 CUDA 的内存打点功能，包罗全局内存、共享内存和常量内存。
[*]学习如何优化 CUDA 法式，包罗线程并行度、内存访谒模式和指令级并行。
以上就是一小时内学习 GPU 和 CUDA 的一个可能的学习打算。这只是一个初级的介绍，要熟练掌握 GPU 和 CUDA 编程，还需要更深入的学习和实践。如果在学习过程中遇到任何问题，你可以查阅 CUDA 的官方文档，或者在网上寻找相关的教程和问答。
法式三和法式四主要涉及到 CUDA C/C++ 编程，这不需要任何额外的库或技术，只需要 NVIDIA 提供的 CUDA Toolkit。
了解 GPU 和 CUDA 的基础常识
什么是 GPU，以及它如何用于加速并行计算
什么是 GPU？
GPU （Graphics Processing Unit，图形措置单元）最初是为了加速计算机图形衬着而设计的。与中央措置单元（CPU）分歧，CPU 是为了措置一系列的任务而设计的，而 GPU 是为了并行措置大量的数据而设计的。这种并行性使 GPU 出格适合措置那些可以分化为多个小任务而且可以同时执行的问题，例如图形衬着。
GPU 的特点：
[*]大量的核心 ：传统的 CPU 可能有 4、8、16 或更多的核心，而 GPU 可能有上千个核心。这些核心可以同时措置大量的任务。
[*]高吞吐量 ：尽管每个单独的 GPU 核心的速度可能比 CPU 核心慢，但由于其数量众多，GPU 可以措置的总任务数量远远超过 CPU。
[*]专为并行措置设计 ：GPU 的设计原则是大量并行措置。每个核心都是为了措置独立的、相对简单的任务而设计的。
[*]内存体系布局 ：GPU 凡是有本身的专用内存，这使得数据的读取和写入非常快。但这也意味着数据需要在主机（CPU）和设备（GPU）之间进行传输。
GPU 如何用于加速并行计算？
随着 GPU 的成长，人们逐渐意识到除了图形衬着之外，它们还可以用于其他类型的并行计算任务。以下是 GPU 用于并行计算的一些方式：
[*]通用 GPU 计算 ：人们开发了一系列东西和技术，如 NVIDIA 的 CUDA 和 OpenCL，允许开发人员直接为 GPU 编写代码，以执行非图形相关的计算任务。
[*]大数据措置 ：由于其并行性，GPU 非常适合措置大数据集。例如，在数据科学、金融建模和物理模拟中，可以使用 GPU 加速数据措置和分析。
[*]深度学习和人工智能 ：近年来，GPU 已经成为深度学习和 AI 研究的关键东西。神经网络的训练涉及大量的矩阵运算，这些运算可以在 GPU 上并行执行，从而大大减少训练时间。
[*]分子建模和仿真 ：GPU 可以用于并行措置与药物设计、气候模型和其他科学应用相关的复杂计算。
[*]图形和视频措置 ：除了传统的3D图形衬着，GPU 也被用于视频编解码、图像分析和其他多媒体任务。
总结：
GPU 由于其高度并行的布局和设计，已经从一个专门用于图形衬着的设备成长成为一个通用的、高性能的计算东西。从科学研究到商业分析，从游戏到艺术创作，GPU 在许多范围都阐扬着关键感化，加速了各种各样的并行计算任务。
了解什么是 CUDA，以及它如安在 NVIDIA 的 GPU 长进行编程
CUDA（Compute Unified Device Architecture）是NVIDIA公司开发的一个并行计算平台和编程模型。它允许开发者直接使用NVIDIA的GPU来执行通用计算任务，从而获得比传统CPU计算更高的性能。CUDA基本上是将GPU从一个纯粹的图形衬着设备改变为一个通用并行措置器。
CUDA的主要特点：
[*]并行措置 ：NVIDIA的GPU由数千个措置核心组成，可以并行措置大量的任务。
[*]适用于高度并行的计算任务 ：如图形衬着、科学计算、深度学习等。
[*]与C/C++语言集成 ：CUDA提供了一个C语言的扩展，使得开发者可以在C/C++代码中直接编写运行在GPU上的函数（称为kernels）。
CUDA编程的基本概念：
[*]Kernel ：在GPU上运行的函数，可以并行措置多个数据元素。
[*]Thread：执行kernel的基本单元。每个线程城市措置数据的一个或多个元素。
[*]Block ：线程的调集。一个block内的所有线程都可以共享必然的内存资源。
[*]Grid ：block的调集。整个grid是在GPU上并行执行kernel的所有线程的调集。
CUDA编程的基本法式：
[*]数据分配 ：在主机（CPU）和设备（GPU）之间分配和初始化内存。
[*]数据传输 ：将数据从主机传输到设备。
[*]Kernel启动 ：指定grid和block的大小，并在GPU上启动kernel。
[*]数据检索 ：将成果从设备传输回主机。
[*]清理 ：释放设备和主机上的内存资源。
示例：向量加法
假设我们有两个大小为N的向量A和B，我们想要得到一个向量C，此中每个元素 $$C=A+B$$ 。
在CUDA中，此操作可以分化为以下法式：
[*]在主机上分配内存并初始化向量A和B。
[*]在设备上为向量A、B和C分配内存。
[*]将向量A和B从主机传输到设备。
[*]定义一个kernel，此中每个线程措置一个元素的加法。
[*]启动该kernel，指定足够多的线程以覆盖所有的向量元素。
[*]将成果向量C从设备传输回主机。
[*]释放所有分配的内存。
结论：
CUDA为开发者提供了一个强大的东西，可以轻松地操作NVIDIA GPU的并行计算能力。通过简单的C/C++扩展，开发者可以编写运行在GPU上的代码，而不需要深入了解图形编程或GPU架构的细节。这使得CUDA成为科学计算、机器学习、图形衬着等范围的风行选择。
设置 CUDA 环境
确认机器是否有NVIDIA的GPU的方式
1. 使用NVIDIA系统打点东西 (nvidia-smi)
如果您的系统上已经安装了NVIDIA的驱动法式，那么您可能已经有了 nvidia-smi这个东西。这是一个命令行东西，可以显示有关NVIDIA GPU的详细信息。
在命令行或终端中运行以下命令：
nvidia-smi运行成果
E:\>nvidia-smi
Mon Jul 24 14:05:47 2023
+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 531.68 Driver Version: 531.68 CUDA Version: 12.1 |
|-----------------------------------------+----------------------+----------------------+
| GPUName TCC/WDDM | Bus-Id Disp.A | Volatile Uncorr. ECC |
| FanTempPerf Pwr:Usage/Cap| Memory-Usage | GPU-UtilCompute M. |
| | | MIG M. |
|=========================================+======================+======================|
| 0NVIDIA GeForce RTX 3060 L...WDDM | 00000000:01:00.0 Off | N/A |
| N/A 67C P8 14W /N/A| 0MiB /6144MiB | 0% Default |
| | | N/A |
+-----------------------------------------+----------------------+----------------------+
+---------------------------------------------------------------------------------------+
| Processes: |
|GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=======================================================================================|
+---------------------------------------------------------------------------------------+
E:\>在nvidia-smi的输出中，以下部门给出了关于NVIDIA软件和驱动的版本信息：
[*]NVIDIA-SMI 531.68：这暗示你正在使用的NVIDIA System Management Interface (SMI)东西的版本号。SMI东西用于查询和控制NVIDIA GPU的状态和配置。
[*]Driver Version: 531.68：这暗示你的系统上安装的NVIDIA GPU驱动法式的版本号。这个数字凡是与NVIDIA-SMI的版本匹配，因为它们都是驱动法式套件的一部门。
[*]CUDA Version: 12.1：这暗示与你的驱动法式兼容的CUDA版本。CUDA是NVIDIA的并行计算平台和应用法式接口，允许开发者使用NVIDIA GPU进行通用计算。需要注意的是，这暗示驱动法式撑持的CUDA版本，但不必然是你系统上实际安装的CUDA东西包版本。
总的来说，这些版本信息对于确保软件和硬件的兼容性、进行故障排除、以及确定是否需要软件或驱动法式更新都很重要。
上面显示中的名词解释（链接）：GPU、Name、TCC、WDDM、Disp.A、Volatile Uncorr. ECC、Fan、Temp、Perf、Pwr:Usage/Cap、Memory-Usage、GPU-Util、Compute M.、MIG M.、N/A。
如果您的机器上有NVIDIA GPU，而且已经安装了驱动法式，该命令将显示关于GPU的信息，包罗型号、驱动版本、温度、操作率等。
2. 查看设备打点器 (仅限Windows)
[*]打开”设备打点器”（可以在开始菜单中搜索”设备打点器”）。
[*]在”设备打点器”窗口中，展开”显示适配器”部门。
[*]在那里，您应该能够看到所有的显卡，包罗NVIDIA GPU（如果有的话）。
判断NVIDIA的GPU是否撑持CUDA
1. 使用 nvidia-smi
如果你已经安装了NVIDIA驱动，你可以使用 nvidia-smi命令来查看GPU的详细信息。在命令行或终端中运行：
nvidia-smi这将显示一个关于你的NVIDIA GPU的详细陈述。如果你的GPU撑持CUDA，它会在输出中列出，并显示CUDA版本。
我的运行成果
E:\>nvidia-smi
Mon Jul 24 14:05:47 2023
+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 531.68 Driver Version: 531.68 CUDA Version: 12.1 |
|-----------------------------------------+----------------------+----------------------+
| GPUName TCC/WDDM | Bus-Id Disp.A | Volatile Uncorr. ECC |
| FanTempPerf Pwr:Usage/Cap| Memory-Usage | GPU-UtilCompute M. |
| | | MIG M. |
|=========================================+======================+======================|
| 0NVIDIA GeForce RTX 3060 L...WDDM | 00000000:01:00.0 Off | N/A |
| N/A 67C P8 14W /N/A| 0MiB /6144MiB | 0% Default |
| | | N/A |
+-----------------------------------------+----------------------+----------------------+
+---------------------------------------------------------------------------------------+
| Processes: |
|GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=======================================================================================|
+---------------------------------------------------------------------------------------+
E:\>成果分析
从您给出的 nvidia-smi输出中，我们可以得到以下关于CUDA的信息：
是否撑持CUDA ：由于您的输出中显示了”CUDA Version: 12.1”，这意味着您的NVIDIA GPU确实撑持CUDA。
CUDA的版本 ：
[*]驱动撑持的CUDA最大版本 ：在输出中的”CUDA Version: 12.1”暗示您的NVIDIA驱动法式撑持的CUDA最大版本是12.1。这不是您实际安装的CUDA东西包版本，而是驱动法式兼容的最高版本。
[*]正在使用的CUDA版本 ：要查找实际安装的CUDA东西包版本，您需要查抄CUDA安装目录（比如：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7）或使用特定的CUDA API/functions。在您的 nvidia-smi输出中，”Driver Version: 531.68”只是告诉我们您的NVIDIA驱动法式版本，而不是您正在使用的CUDA版本。
GPU型号 ：您的GPU是NVIDIA GeForce RTX 3060 Laptop GPU。这是一款撑持CUDA的现代GPU。
总之，从您的 nvidia-smi输出中，我们可以确认您的GPU撑持CUDA，而且您的驱动法式撑持的最大CUDA版本是12.1。但要确定您实际安装并正在使用的CUDA版本，您需要查看CUDA的安装目录或使用其他方式。
2. 查看NVIDIA的官方撑持列表
NVIDIA在其官方网站上有一个CUDA GPUs的撑持列表。你可以访谒这个列表来查看你的GPU型号是否被列出。如果它在列表上，那么它必定撑持CUDA。
以下是一个直接链接到NVIDIA CUDA GPUs的撑持列表的链接（请注意，随着时间的推移，链接可能会发生变化，因为NVIDIA可能会更新其网站布局）：
NVIDIA CUDA GPUs撑持列表
点击链接将带您到一个页面，列出了各种NVIDIA GPU和它们撑持的CUDA计算能力。您可以在此列表中查找您的GPU型号，以确定它是否撑持CUDA。
3. 使用CUDA东西
如果你已经安装了CUDA东西包，你可以使用 deviceQuery实用法式来查抄你的GPU是否撑持CUDA。凡是，这个实用法式位于CUDA安装目录下的 CUDA\v11.7\extras\demo_suite子目录中。运行 deviceQuery会显示关于你的GPU的信息，包罗它是否撑持CUDA。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite>deviceQuery.exe
deviceQuery.exe Starting...
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: ”NVIDIA GeForce RTX 3060 Laptop GPU”
CUDA Driver Version / Runtime Version 12.1 / 11.7
CUDA Capability Major/Minor version number: 8.6
Total amount of global memory: 6144 MBytes (6441926656 bytes)
(30) Multiprocessors, (128) CUDA Cores/MP: 3840 CUDA Cores
GPU Max Clock rate: 1425 MHz (1.42 GHz)
Memory Clock rate: 7001 Mhz
Memory Bus Width: 192-bit
L2 Cache Size: 3145728 bytes
Maximum Texture Dimension Size (x,y,z) 1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
Maximum Layered 1D Texture Size, (num) layers1D=(32768), 2048 layers
Maximum Layered 2D Texture Size, (num) layers2D=(32768, 32768), 2048 layers
Total amount of constant memory: zu bytes
Total amount of shared memory per block: zu bytes
Total number of registers available per block: 65536
Warp size: 32
Maximum number of threads per multiprocessor:1536
Maximum number of threads per block: 1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)
Maximum memory pitch: zu bytes
Texture alignment: zu bytes
Concurrent copy and kernel execution: Yes with 1 copy engine(s)
Run time limit on kernels: Yes
Integrated GPU sharing Host Memory: No
Support host page-locked memory mapping: Yes
Alignment requirement for Surfaces: Yes
Device has ECC support: Disabled
CUDA Device Driver Mode (TCC or WDDM): WDDM (Windows Display Driver Model)
Device supports Unified Addressing (UVA): Yes
Device supports Compute Preemption: Yes
Supports Cooperative Kernel Launch: Yes
Supports MultiDevice Co-op Kernel Launch: No
Device PCI Domain ID / Bus ID / location ID: 0 / 1 / 0
Compute Mode:
< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 12.1, CUDA Runtime Version = 11.7, NumDevs = 1, Device0 = NVIDIA GeForce RTX 3060 Laptop GPU
Result = PASS
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite>部门解释（链接）：Runtime API、CUDART static linking、CUDA Capability Major/Minor version number、Total amount of global memory、(30) Multiprocessors, (128) CUDA Cores/MP、GPU Max Clock rate、Memory Clock rate、Memory Bus Width、L2 Cache Size、Maximum Texture Dimension Size (x,y,z)、Maximum Layered 1D Texture Size, (num) layers、Maximum Layered 2D Texture Size, (num) layers、Total amount of constant memory。
4. 使用第三方软件
有一些第三方软件和应用法式，如GPU-Z，可以显示关于你的GPU的详细信息，包罗是否撑持CUDA。
总之，有多种方式可以查抄你的NVIDIA GPU是否撑持CUDA。最简单和最直接的方式是使用 nvidia-smi或查看NVIDIA的官方撑持列表。如果你筹算进行CUDA编程或使用CUDA应用法式，确保你的GPU撑持CUDA长短常重要的。
安装 NVIDIA 的驱动法式（一般电脑上是装有的，如果没有再本身装）
安装 NVIDIA 的驱动法式是一个相对直接的过程，但为了确保驱动法式的不变性和兼容性，建议遵循以下法式：
查抄显卡型号 ：
[*]在 Windows 中，可以右键点击“开始”按钮，选择“设备打点器”，然后展开“显示适配器”来查看显卡型号。
[*]在 Linux 中，可以在终端中运行 lspci | grep -i nvidia 命令。
下载驱动法式 ：
[*]访谒 NVIDIA 官方网站的驱动下载页面。
[*]按照你的显卡型号、操作系统等选择相应的选项，然后点击“搜索”。
[*]在搜索成果中，选择与你的显卡和操作系统最匹配的驱动版本并下载。
卸载旧的驱动法式 （建议但不是必需）：
[*]为了避免旧驱动与新驱动之间的冲突，建议先卸载旧的驱动法式。
[*]在 Windows 的“控制面板” -> “卸载法式”中，找到 NVIDIA 相关的法式并卸载。
[*]重启计算机。
安装新驱动法式 ：
[*]双击你方才下载的 NVIDIA 驱动法式安装包。
[*]如果呈现 UAC 提示，选择“是”。
[*]选择“NVIDIA Graphics Driver”软件组件以及其他相关组件（如 NVIDIA GeForce Experience），然后点击“下一步”。
[*]选择“快速”（保举）或“高级”安装，然后点击“下一步”。
[*]安装法式将自动安装驱动法式并可能需要几次重启。
验证安装 ：
[*]重启计算机后，可以右键点击桌面并选择 NVIDIA 控制面板来验证驱动法式是否正确安装。
[*]如果控制面板正常打开并显示了所有相关的设置和选项，那么这凡是意味着驱动法式已经正常安装。
[*]在“系统信息”部门，您可以查看到驱动法式的版本、CUDA版本以及其他与显卡相关的信息。
[*]此外，可以使用之前提到的 nvidia-smi 命令（如果已安装）来查看驱动详细信息。
[*]如果驱动法式正常安装，nvidia-smi 会显示有关安装的NVIDIA驱动的信息，包罗但不限于驱动版本、CUDA版本、GPU名称、温度、使用率等。
[*]如果您收到如“NVIDIA 不是内部或外部命令，也不是可运行的法式或批措置文件”的错误动静，或者与此类似的动静，那么可能驱动法式没有正确安装或配置。
优化设置 （可选）：
[*]打开 NVIDIA 控制面板，你可以按照你的需要调整各种图形设置，例如 3D 设置、分辩率和多显示器设置等。
注意：在安装驱动法式时，确保封锁所有正在运行的应用法式和游戏，以避免任何潜在的问题。
安装 CUDA 东西包
我之前已经装过了，这一步没具体实操，如果有问题可以找其他相关攻略当你想要在NVIDIA GPU上运行和开发CUDA加速应用时，你需要安装CUDA东西包。以下是详细的法式，解释如安在Windows环境中安装CUDA东西包：
系统要求：
[*]一个带有CUDA撑持的NVIDIA GPU。
[*]对应的NVIDIA驱动。
[*]撑持的操作系统（例如，Windows 10、Linux发行版）。
下载CUDA东西包：
[*]访谒NVIDIA官方网站的CUDA下载页面。
[*]按照你的操作系统和版本选择合适的CUDA版本。
[*]为Windows，你会看到一个EXE安装法式。点击下载。
安装：
[*]双击下载的 .exe文件以启动安装法式。
[*]选择“Express”（快速安装）或“Custom”（自定义安装）。
[*]如果你不确定，建议选择“Express”。
[*]等待安装法式安装所有组件。这可能需要一些时间，因为CUDA东西包包罗编译器、库文件、头文件和其他东西。
环境变量：
[*]为了在命令行或脚本中便利地使用CUDA，你可能需要将CUDA的 bin目录添加到系统的 PATH环境变量中。
[*]默认情况下，CUDA凡是安装在 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y目录下，此中 X.Y是你的CUDA版本。
验证安装：
验证CUDA的安装是否成功是一个重要法式，确保你的环境已经配置正确而且可以正常使用。以下是一些法式和方式来验证CUDA的安装是否成功：
查抄CUDA版本：
打开终端或命令提示符，输入以下命令：
nvcc --version如果CUDA已正确安装，此命令应显示 nvcc的版本信息。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite>nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Tue_May__3_19:00:59_Pacific_Daylight_Time_2022
Cuda compilation tools, release 11.7, V11.7.64
Build cuda_11.7.r11.7/compiler.31294372_0
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite>运行CUDA示例法式：
CUDA安装包凡是会包含一些示例法式。这些示例法式位于CUDA的安装目录下的 \CUDA\v11.7\extras\demo_suite文件夹中。
如果 deviceQuery 和 bandwidthTest 位于 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite，那么你可以使用它们来验证CUDA是否正确安装。
打开命令提示符或PowerShell并导航到相应的目录：
cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite运行deviceQuery：
deviceQuery.exe这个法式将列出系统中所有NVIDIA GPU的详细信息。如果它正确列出了你的GPU，并指出了GPU撑持的CUDA版本，那么你可以确信CUDA运行时已经正确安装。
运行成果上面放过了，这里不再反复。
运行bandwidthTest：
bandwidthTest.exe这个法式将测试GPU的内存带宽。它是一个简单的性能测试，可以让你知道GPU的内存带宽是否与规格书上的相符。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite>bandwidthTest.exe
- Starting...
Running on...
Device 0: NVIDIA GeForce RTX 3060 Laptop GPU
Quick Mode
Host to Device Bandwidth, 1 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 6516.1
Device to Host Bandwidth, 1 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 6428.5
Device to Device Bandwidth, 1 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 235205.0
Result = PASS
NOTE: The CUDA Samples are not meant for performance measurements. Results may vary when GPU Boost is enabled.
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite>这是bandwidthTest.exe的输出成果，这个测试给出了你的NVIDIA GeForce RTX 3060 Laptop GPU在分歧数据传输场景中的内存带宽。这些数字可以为你提供关于你的GPU在实际应用中可能的性能表示的参考。
如果这两个法式都能正常运行并发生期望的输出，那么可以认为CUDA已经成功安装而且可以在你的系统上正确运行。
查抄环境变量：
确保CUDA的二进制文件和库的路径已经被添加到你的 PATH和 LD_LIBRARY_PATH（在Linux上）或 PATH（在Windows上）环境变量中。
使用NVIDIA System Management Interface (nvidia-smi)：
在终端或命令提示符中输入：
nvidia-smi此命令应该显示关于你的NVIDIA GPU的信息，包罗驱动版本、GPU温度、内存使用情况等。此东西的输出还会显示CUDA版本。
通过上述法式，你应该能够确认CUDA是否已经成功安装在你的计算机上，而且可以正常工作。如果遇到任何问题或错误动静，你可能需要查抄安装过程中的法式，或查阅NVIDIA的官方文档和社区论坛以获取辅佐。
安装其他东西（可选）：
[*]NVIDIA Nsight Visual Studio Edition：这是一个集成开发环境（IDE），用于CUDA开发。
[*]cuDNN：这是一个深度神经网络库，如果你筹算进行深度学习开发，可能会需要它。
[*]NCCL：用于多GPU和多节点通信的库。
完成上述法式后，你应该已经成功地在你的机器上安装了CUDA东西包，此刻可以开始开发和运行CUDA应用法式了。 感谢 [爱] 好详细，谢谢博主
页:
[1]