CUDA 库示例

CUDA 库示例 仓库包含多个示例，展示了如何在 CUDA 中使用 GPU 加速库。这些库能够在数学运算、图像处理、信号处理、线性代数和压缩等广泛的应用中实现高性能计算。所包含的示例涵盖以下内容：

• 数学与图像处理库
• cuBLAS（基础线性代数子程序）
• cuTENSOR（张量线性代数）
• cuSPARSE（稀疏矩阵运算）
• cuSOLVER（稠密与稀疏求解器）
• cuFFT（快速傅里叶变换）
• cuRAND（随机数生成）
• NPP（图像与视频处理）
• nvJPEG（JPEG 编码/解码）
• nvCOMP（数据压缩）
• 等等...

关于

CUDA 库示例由 NVIDIA 公司以开源软件的形式提供，并根据 Apache 2.0 许可证发布。这些示例展示了如何利用 GPU 加速库在各个领域实现高效计算。

如需了解更多关于可用库及其用途的信息，请访问 GPU 加速库。

库示例

探索本仓库中包含的每个 CUDA 库的示例：

• cuBLAS - GPU 加速的基础线性代数（BLAS）库
• cuBLASLt - 轻量级 BLAS 库
• cuBLASMp - 多进程 BLAS 库
• cuBLASDx - 设备端 BLAS 扩展
• cuDSS - GPU 加速的线性求解器
• cuEST - GPU 加速的量子化学计算
• cuFFT - 快速傅里叶变换
• cuFFTMp - 多进程 FFT
• cuFFTDx - 设备端 FFT 扩展
• cuPQC - 后量子密码学设备库
• cuRAND - 随机数生成
• cuSOLVER - 稠密与稀疏直接求解器
• cuSOLVERMp - 多进程求解器
• cuSOLVERSp2cuDSS - 从 cuSOLVERSp/Rf 到 cuDSS 的迁移示例
• cuSPARSE - 稀疏矩阵的 BLAS
• cuSPARSELt - 稀疏矩阵的轻量级 BLAS
• cuTENSOR - 张量线性代数库
• cuTENSORMg - 多 GPU 张量线性代数
• NPP - GPU 加速的图像、视频和信号处理函数
• NPP+ - NPP 的 C++ 扩展
• nvJPEG - 高性能 JPEG 编码/解码
• nvJPEG2000 - JPEG2000 编码/解码
• nvTIFF - TIFF 编码/解码
• nvCOMP - 数据压缩与解压缩

每个示例都提供了在实际场景中应用这些库的实用案例，展示了 CUDA 在各种计算需求中的强大功能和灵活性。

更多资源

有关 CUDA 库的更多信息和文档，请访问：

• CUDA 工具包文档
• NVIDIA 开发者专区
• CUDA 示例

贡献

我们欢迎对 CUDA 库示例 的贡献。要为 CUDA 库示例 做出贡献并提交拉取请求，请遵循 贡献指南 中的说明。

许可证

CUDA 库示例根据 Apache 2.0 许可证进行分发。更多详细信息请参阅 LICENSE.md 文件。

最初以三条款“新”BSD 许可证发布的旧代码可在 bsd3_main 分支中找到，但该分支已不再维护。

CUDA Library Samples 快速上手指南

本指南帮助中国开发者快速配置并运行 NVIDIA 提供的 CUDA Library Samples，涵盖线性代数、图像处理、信号处理及压缩等 GPU 加速库的示例代码。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (x86_64, aarch64) 或 Windows (WSL2 支持良好)。
• GPU 硬件：支持 CUDA 的 NVIDIA GPU。
• 软件依赖：
  • NVIDIA Driver：已安装且版本较新。
  • CUDA Toolkit：建议安装与样本兼容的最新稳定版（通常需 11.x 或更高）。
  • CMake：版本 3.18 或更高。
  • 编译器：GCC/G++ (Linux) 或 MSVC (Windows)，需与 CUDA Toolkit 版本匹配。
  • Git：用于克隆仓库。

提示：国内开发者若下载 CUDA Toolkit 较慢，可访问 清华大学开源软件镜像站 或 阿里云开源镜像站 获取加速下载链接。

安装步骤

1. 克隆仓库

使用 Git 克隆项目源码：

git clone https://github.com/NVIDIA/cudaLibrariesSamples.git
cd cudaLibrariesSamples

2. 创建构建目录

推荐使用 CMake 进行外部构建，以保持源码整洁：

mkdir build
cd build

3. 配置构建

运行 CMake 配置项目。默认情况下，它会查找系统安装的 CUDA Toolkit。

cmake ..

如果需要指定 CUDA 路径（例如非标准安装位置）：

cmake .. -DCUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda

4. 编译项目

执行编译命令。建议使用 -j 参数并行加速编译过程（例如 -j$(nproc)）：

make -j$(nproc)

编译完成后，可执行文件将生成在 build 目录下的对应子文件夹中（如 cuBLAS/, cuFFT/ 等）。

基本使用

每个库的示例都位于独立的子目录中。以下以 cuBLAS（基础线性代数子程序）为例，展示如何运行最简单的矩阵乘法示例。

运行 cuBLAS 示例

进入 cuBLAS 示例目录并执行生成的二进制文件：

cd ../cuBLAS
./simpleCUBLAS

预期输出： 程序将初始化矩阵数据，调用 GPU 进行计算，并验证结果。若成功，终端将显示类似以下信息：

simpleCUBLAS test passed.

探索其他库

您可以按照相同的方式运行其他库的示例。例如：

• 快速傅里叶变换 (cuFFT):

  cd ../cuFFT
  ./simpleCUFFT
  

• 随机数生成 (cuRAND):

  cd ../cuRAND
  ./simpleCURAND
  

• 图像压缩 (nvCOMP):

  cd ../nvCOMP
  ./nvcomp_example
  

注意：部分高级示例（如多进程或多 GPU 示例 cuBLASMp, cuTENSORMg）可能需要特定的硬件配置或 MPI 环境，请先阅读对应目录下的 README.md 获取详细参数说明。