第一章：CUDA开发环境搭建

说实话，很多初学者一上来就急着写核函数，结果环境没配好，折腾半天连个deviceQuery都跑不通。我当年也踩过这个坑——装完驱动发现CUDA版本不匹配，编译报错一堆，心态直接崩了。

这一章，咱们就把环境搭建这件事彻底讲明白。你跟着我的步骤走，保证半小时内跑通第一个CUDA程序。

1.1 硬件准备：你得有块NVIDIA显卡

这是前提条件。没有NVIDIA显卡，CUDA玩不转。

我个人习惯用nvidia-smi命令查看显卡信息。打开终端（Windows下是CMD或PowerShell），输入：

nvidia-smi

如果能看到类似下面的输出，说明驱动已经装好了：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.85.05    Driver Version: 525.85.05    CUDA Version: 12.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  Tesla T4            Off  | 00000000:00:1E.0 Off |                    0 |
| N/A   34C    P8    10W /  70W |      0MiB / 15360MiB |      0%      Default |
+-----------------------------+----------------------+----------------------+

这里要注意：驱动版本和CUDA版本是绑定的。比如驱动是525.85.05，它最高支持CUDA 12.0。你装CUDA 12.1就不行。

1.2 安装NVIDIA驱动

如果你的机器还没装驱动，或者版本太旧，先去官网下载。

驱动下载地址：https://www.nvidia.com/Download/index.aspx

选对型号就行。我建议选「Studio Driver」而不是「Game Ready Driver」——前者更稳定，适合开发。

安装过程很简单，一路下一步。但有个细节：安装类型选「自定义（高级）」，然后勾选「执行清洁安装」。这样能避免旧驱动残留导致的问题。

1.3 安装CUDA Toolkit

驱动搞定后，接下来装CUDA Toolkit。它包含了编译器nvcc、CUDA运行时库、以及各种开发工具。

下载地址：https://developer.nvidia.com/cuda-downloads

选你的操作系统和安装方式。Windows下我推荐用exe (local)，别用network版——网络不好容易中断。

安装时注意：

• 不要修改默认路径，除非你很清楚自己在做什么
• 安装过程中会提示是否安装驱动组件——取消勾选，因为我们已经装好了
• 安装完成后，环境变量会自动配置。但有时候会漏掉，建议手动检查一下

检查环境变量：

# Windows下，在系统变量中确认以下路径存在
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\libnvvp

验证安装：

nvcc --version

如果输出类似：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Wed_Nov_22_10:17:15_PST_2023
Cuda compilation tools, release 12.0, V12.0.140

恭喜，CUDA Toolkit装好了。

1.4 安装cuDNN

cuDNN是NVIDIA的深度学习加速库。如果你只做通用GPU计算，可以不装。但做深度学习相关开发，它是必需品。

下载cuDNN需要注册NVIDIA开发者账号，免费。

下载地址：https://developer.nvidia.com/cudnn

选对应CUDA版本的cuDNN。比如CUDA 12.0，就选cuDNN for CUDA 12.x。

安装步骤：

1. 下载后解压，得到bin、include、lib三个文件夹
2. 把这几个文件夹里的内容，分别复制到CUDA Toolkit安装目录的对应文件夹下
3. 默认路径是：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0

说白了就是合并目录。复制时如果提示覆盖，选「是」就行。

1.5 配置开发环境：VS与CMake

环境搭好了，接下来配置IDE。我主要讲两种方式：Visual Studio和CMake。

1.5.1 Visual Studio配置

如果你用VS，CUDA Toolkit安装时会自动集成。新建项目时，你会看到「CUDA」模板：

新建项目 → 选择「CUDA 12.0 Runtime」模板 → 命名项目 → 创建

如果没有这个模板，说明集成没成功。手动配置也不难：

1. 右键项目 → 属性 → 配置属性 → VC++目录
2. 在「包含目录」中添加：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\include
3. 在「库目录」中添加：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\lib\x64
4. 链接器 → 输入 → 附加依赖项，添加：cudart.lib

嗯，这样手动配一次，后面就不用再操心了。

1.5.2 CMake配置

我个人更推荐CMake，跨平台、灵活。写个CMakeLists.txt：

cmake_minimum_required(VERSION 3.18)
project(CUDA_Demo)

# 启用CUDA支持
enable_language(CUDA)

# 添加可执行文件
add_executable(main main.cu)

# 设置CUDA架构（根据你的显卡调整）
set_target_properties(main PROPERTIES
    CUDA_ARCHITECTURES "75"  # Turing架构，如RTX 2080
)

# 链接CUDA运行时库
target_link_libraries(main PRIVATE cudart)

然后执行：

mkdir build
cd build
cmake ..
cmake --build .

搞定。CMake会自动找到CUDA Toolkit的位置。

1.6 验证环境：跑第一个CUDA程序

环境配好了，写个最简单的程序验证一下：

#include <stdio.h>

int main() {
    int deviceCount;
    cudaGetDeviceCount(&deviceCount);
    
    printf("检测到 %d 个CUDA设备\n", deviceCount);
    
    for (int i = 0; i < deviceCount; i++) {
        cudaDeviceProp prop;
        cudaGetDeviceProperties(&prop, i);
        printf("设备 %d: %s\n", i, prop.name);
        printf("  计算能力: %d.%d\n", prop.major, prop.minor);
        printf("  显存大小: %.2f GB\n", prop.totalGlobalMem / 1024.0 / 1024.0 / 1024.0);
    }
    
    return 0;
}

编译运行，如果能看到显卡信息，说明环境搭建成功。

1.7 知识体系总览

下面这张图，把本章的核心逻辑串起来了：

这张图很直观：四个步骤按顺序走，每一步都依赖上一步。版本匹配是贯穿始终的红线。

好了，环境搭建就讲到这里。你按这个流程走一遍，基本不会出问题。如果遇到报错，别慌——多半是版本不匹配或者环境变量没配好。回头检查一下，很快就能搞定。