vs2019-cuda配置入门

cuda使用如下

1、打开VS，新建C++空项目

 2、右击源文件->添加->新建项

 3、选择CUDA C/C++ File，名称位main.cu

 4、把下面的示例源码复制到main.cu中

#include "cuda_runtime.h"
#include "device_launch_parameters.h"

#include <stdio.h>

/***************************************
 * 声明addWithCuda函数，这里是调用GPU运算的入口函数，函数的返回类型是cudaError_t。
 * cudaError_t是一个枚举类型，通常是和CUDA相关函数的返回类型，用于检测函数执行期间的不同类型错误，
 * 具体的定义在driver_types.h头文件中。如果执行成功，则返回0
***************************************/
cudaError_t addWithCuda(int* c, const int* a, const int* b, unsigned int size);

/***************************************
 * 声明addKernel核函数，函数的修饰符是__global__，提示编译器这个函数是在GPU上运行，所以会由NVCC来编译
   *
    __global__表示函数在device上运行，且须在host上调用，返回类型必须是void
    __device__表示函数在device上运行，只能在device上调用
    __host__表示函数在host上运行，只能在host上调用，可以省略不写，此函数在host和device上都编译
   *
 * threadIdx.x 表示获取执行当前计算任务的线程的ID号，并会在调用该函数时使用运行时配置符号“<<<>>>”确定线程数量。
   *
     GPU会根据这个索引号确定计算的线程资源。
     线程（thread）是GPU中的基本计算单位，各个线程相互独立计算，可以是一维，二维，三维
     线程块（block）是由一组线程组成的线程块，包含多个独立线程，可以是一维，二维，三维
     网格块（grid）是由一组多个网格块组成的网格块，包含多个独立线程块，可以是一维，二维
     通过指定grind-->block-->thread,可以确定具体线程资源
   *
 * 该核函数将会在GPU上被多个线程同时执行，线程间没有通信，相互独立。具体由哪些线程执行下会通过运行配置符“<<<>>>”确定
 * 具体为：<<<num，size>>> num表示分配了num个线程块（block），每个线程块分配了size个线程。num和size是1维，2维或是3维
 * “<<<>>>”中的参数并不是传递给device代码的参数，而是定义host代码运行时如何启动host代码
 * 这里的i可以理解维核函数会同时在不同的线程上运行，i表示线程号。
***************************************/
__global__ void addKernel(int* c, const int* a, const int* b)
{
    int i = threadIdx.x;
    c[i] = a[i] + b[i];
}

/***************************************
*  主函数
***************************************/
int main()
{
    // 初始化
    const int arraySize = 5;
    const int a[arraySize] = { 1, 2, 3, 4, 5 };
    const int b[arraySize] = { 10, 20, 30, 40, 50 };
    int c[arraySize] = { 0 };

    // 开始并行计算
    cudaError_t cudaStatus = addWithCuda(c, a, b, arraySize);
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "addWithCuda failed!");
        return 1;
    }

    printf("{1,2,3,4,5} + {10,20,30,40,50} = {%d,%d,%d,%d,%d}\n",
        c[0], c[1], c[2], c[3], c[4]);

    // cudaDeviceReset函数必须在结束程序前被调用，以便于分析完整的计算轨迹.
    cudaStatus = cudaDeviceReset();
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "cudaDeviceReset failed!");
        return 1;
    }

    return 0;
}

/***************************************
 * 辅助函数，用于核函数执行的相关操作
***************************************/
cudaError_t addWithCuda(int* c, const int* a, const int* b, unsigned int size)
{
    int* dev_a = 0;
    int* dev_b = 0;
    int* dev_c = 0;
    cudaError_t cudaStatus;

    // 选择GPU号，在多GPU时可以选择特定的GPU号
    cudaStatus = cudaSetDevice(0);
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "cudaSetDevice failed!  Do you have a CUDA-capable GPU installed?");
        goto Error;
    }

    // 分配GPU缓存，（两个输入，一个输出）
    cudaStatus = cudaMalloc((void**)&dev_c, size * sizeof(int));
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "cudaMalloc failed!");
        goto Error;
    }
    cudaStatus = cudaMalloc((void**)&dev_a, size * sizeof(int));
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "cudaMalloc failed!");
        goto Error;
    }
    cudaStatus = cudaMalloc((void**)&dev_b, size * sizeof(int));
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "cudaMalloc failed!");
        goto Error;
    }

    // 将输入向量从host内存中复制到GUP缓存中
    cudaStatus = cudaMemcpy(dev_a, a, size * sizeof(int), cudaMemcpyHostToDevice);
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "cudaMemcpy failed!");
        goto Error;
    }
    cudaStatus = cudaMemcpy(dev_b, b, size * sizeof(int), cudaMemcpyHostToDevice);
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "cudaMemcpy failed!");
        goto Error;
    }

    // 在GPU上启动一个内核，并分为每个元素分配线程
    addKernel << <1, size >> > (dev_c, dev_a, dev_b);

    // 在启动内核时，进行异常检测，返回最新的一个运行时调用错误
    cudaStatus = cudaGetLastError();
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "addKernel launch failed: %s\n", cudaGetErrorString(cudaStatus));
        goto Error;
    }

    // cudaDeviceSynchronize　函数等待内核计算完成，并返回运行状态 
    // any errors encountered during the launch.
        // 提供了一个阻塞，用于等待所有的线程都执行完各自的计算任务，然后继续往下执行
    cudaStatus = cudaDeviceSynchronize();
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "cudaDeviceSynchronize returned error code %d after launching addKernel!\n", cudaStatus);
        goto Error;
    }

    // 从GPU缓存中将结果复制到host内存中
    cudaStatus = cudaMemcpy(c, dev_c, size * sizeof(int), cudaMemcpyDeviceToHost);
    if (cudaStatus != cudaSuccess) {
        fprintf(stderr, "cudaMemcpy failed!");
        goto Error;
    }

Error:
    // 释放缓存
    cudaFree(dev_c);
    cudaFree(dev_a);
    cudaFree(dev_b);

    return cudaStatus;
}

5、右击项目->生成依赖项->生成自定义，在弹出的对话框中选择CUDA

 6、右击main.cu文件->属性->项类型改为CUDA C/C++(注意配置：Debug  平台:x64)

 7、点击项目属性管理器->Debug | x64->添加现有属性表，并选择Cuda属性表

 8、直接调试输出结果（注意选择配置好的平台）