第1章：CUDA开发环境搭建
说实话，很多初学者一上来就急着写CUDA代码，结果卡在环境搭建上。我见过太多人花了一整天装驱动，最后发现版本对不上。今天我就把这一整套流程给你捋清楚。
1.1 NVIDIA驱动安装
驱动是CUDA的基石。没有它，你的GPU就是个摆设。我个人习惯先装驱动，再装CUDA Toolkit。顺序搞反了容易出问题。
安装步骤其实很简单：
- 去NVIDIA官网下载对应显卡的驱动
- 运行安装程序，选择「自定义安装」
- 勾选「执行清洁安装」——这个选项会清除旧驱动，避免冲突
- 重启电脑
验证驱动是否装好？打开命令行，输入：
nvidia-smi如果能看到显卡信息、驱动版本、CUDA版本号，那就对了。嗯，这里要注意：nvidia-smi显示的CUDA版本是驱动支持的最高版本，不是你实际安装的Toolkit版本。这两个概念容易混淆。
1.2 CUDA Toolkit安装
Toolkit才是我们写代码真正需要的东西。它包含了编译器nvcc、CUDA运行时库、各种开发工具。
我个人建议用网络安装包而不是本地安装包。为什么？因为网络安装包会自动检测你的系统环境，只下载需要的组件。本地安装包动不动就2-3GB，里面很多组件你用不上。
安装完成后，需要配置环境变量：
# Windows系统
set PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\bin;%PATH%
set PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\libnvvp;%PATH%
# Linux系统
export PATH=/usr/local/cuda-12.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.0/lib64:$LD_LIBRARY_PATH验证安装：
nvcc --version看到版本号就说明装好了。如果提示「nvcc不是内部命令」，八成是环境变量没配好。
1.3 cuDNN安装
cuDNN是NVIDIA针对深度神经网络的加速库。说白了，它就是帮你把卷积、池化这些操作跑得更快。如果你只是做通用GPU计算，可以不装。但做深度学习的话，这玩意儿是必需品。
安装cuDNN其实不是「安装」，而是「解压覆盖」：
- 去NVIDIA官网下载cuDNN（需要注册账号）
- 解压后得到三个文件夹：bin、include、lib
- 把它们复制到CUDA Toolkit的安装目录下，覆盖同名文件夹
1.4 Nsight工具链
Nsight是NVIDIA的性能分析工具套件。说实话，我早期写CUDA代码时根本不关心性能分析，觉得「能跑就行」。直到有一次，我写了个矩阵乘法，跑起来比CPU还慢...后来用Nsight一分析，发现全局内存访问模式完全不对。
Nsight工具链主要包括：
| 工具名称 | 用途 | 我的评价 |
|---|---|---|
| Nsight Systems | 系统级性能分析 | 适合看整体流程，定位瓶颈 |
| Nsight Compute | 内核级性能分析 | 我最常用的工具，能看每行代码的耗时 |
| Nsight Graphics | 图形调试 | 做图形学才用得到 |
安装方式很简单：CUDA Toolkit安装时默认会带上Nsight Visual Studio Edition。如果你用VS Code，可以装Nsight Extension。我个人更推荐用独立安装版，功能更全。
1.5 Visual Studio / CMake配置
终于到了写代码的环节。你想想看，环境都搭好了，结果IDE配置不对，编译都过不了，多憋屈。
Visual Studio配置
如果你用VS，CUDA Toolkit安装时会自动集成。新建项目时选择「CUDA Runtime」模板就行。但有时候模板没出来，可以手动配置：
- 右键项目 → 生成依赖项 → 生成自定义 → 勾选CUDA
- 右键.cu文件 → 属性 → 项类型 → CUDA C/C++
- 配置包含目录：$(CUDA_PATH)\include
- 配置库目录：$(CUDA_PATH)\lib\x64
CMake配置
我个人更习惯用CMake，跨平台方便。一个简单的CMakeLists.txt长这样：
cmake_minimum_required(VERSION 3.18)
project(MyCUDAProject)
find_package(CUDA REQUIRED)
# 或者用现代CMake方式
enable_language(CUDA)
add_executable(myapp main.cu)
target_link_libraries(myapp ${CUDA_LIBRARIES})用现代CMake（3.18+）更简洁：
cmake_minimum_required(VERSION 3.18)
project(MyCUDAProject LANGUAGES CUDA)
add_executable(myapp main.cu)嗯，这里要注意：如果你的CMake版本太老，可能不支持CUDA语言支持。升级到3.18以上就稳了。
1.6 知识体系总览
说了这么多，我画张图帮你理清思路。环境搭建的整个流程，说白了就是「驱动→工具→库→IDE」这条线：
这张图你看懂了吗？从上到下是依赖关系：硬件→驱动→Toolkit→上层工具。每一层都依赖下一层正常工作。我刚开始学的时候，就是照着这个顺序一步步装的，从来没出过问题。
好了，环境搭建就讲到这里。记住：版本匹配是王道，驱动、Toolkit、cuDNN的版本必须互相兼容。别问我怎么知道的——我曾经在三个版本不匹配的环境里debug了一整天，最后发现是cuDNN版本不对。