#include &stdio.h&#include &stdlib.h&#include &cuda_runtime.h&#define DATA_SIZE 1048576int data[DATA_SIZE];　　并加入一个新函式 GenerateNumbers：void GenerateNumbers(int *number, int size){&&&&for(int i = <span style="color: #; i & i++) { &&&&&&&&number[i] = rand() % <span style="color: #;&&&&}}　　这个函式会产生一大堆 0 ~ 9 之间的随机数。　　要利用 CUDA 进行计算之前，要先把数据复制到中，才能让使用。因此，需要取得一块适当大小的，再把产生好的数据复制进去。在 main 函式中加入：GenerateNumbers(data, DATA_SIZE);&&&&int* gpudata, *&&&&cudaMalloc((void**) &gpudata, sizeof(int) * DATA_SIZE);&&&&cudaMalloc((void**) &result, sizeof(int));&&&&cudaMemcpy(gpudata, data, sizeof(int) * DATA_SIZE,&&&&&&&&cudaMemcpyHostToDevice);　　上面这段程序会先呼叫 GenerateNumbers 产生随机数，并呼叫 cudaMalloc 取得一块显卡内存(result 则是用来存取计算结果，在稍后会用到)，并透过 cudaMemcpy 将产生的随机数复制到显卡内存中。cudaMalloc 和 cudaMemcpy 的用法和一般的 malloc 及 memcpy 类似，不过 cudaMemcpy 则多出一个参数，指示复制内存的方向。在这里因为是从主内存复制到显卡内存，所以使用 cudaMemcpyHostToDevice。如果是从显卡内存到主内存，则使用 cudaMemcpyDeviceToHost。这在之后会用到。　　接下来是要写在上执行的程序。在 CUDA 中，在函式前面加上 __global__ 表示这个函式是要在显示芯片上执行的。因此，加入以下的函式：__global__ static void sumOfSquares(int *num, int* result){&&&&int sum = <span style="color: #;&&&&int&&&&for(i = <span style="color: #; i & DATA_SIZE; i++) {&&&&&&&&sum += num[i] * num[i];&&&&}&&&&*result =}　　在显示芯片上执行的程序有一些限制，例如它不能有传回值。其它的限制会在之后提到。　　接下来是要让 CUDA 执行这个函式。在 CUDA 中，要执行一个函式，使用以下的语法：　　函式名称&&&block&数目,&thread&数目,&shared&memory&大小&&&(参数...);　　呼叫完后，还要把结果从显示芯片复制回主内存上。在 main 函式中加入以下的程序：sumOfSquares&&&<span style="color: #, <span style="color: #, <span style="color: #&&&(gpudata, result);&&&&int&&&&cudaMemcpy(&sum, result, sizeof(int), cudaMemcpyDeviceToHost);&&&&cudaFree(gpudata);&&&&cudaFree(result);&&&&printf(&sum: %d\n&, sum);　　因为这个程序只使用一个 thread，所以 block 数目、thread 数目都是 1。我们也没有使用到任何 shared memory，所以设为 0。编译后执行，应该可以看到执行的结果。　　为了确定执行的结果正确，我们可以加上一段以
执行的程序代码，来验证结果：sum = <span style="color: #;&&&&for(int i = <span style="color: #; i & DATA_SIZE; i++) {&&&&&&&&sum += data[i] * data[i];&&&&}&&&&printf(&sum (): %d\n&, sum);　　编译后执行，确认两个结果相同。　　CUDA 提供了一个 clock 函式，可以取得目前的 timestamp，很适合用来判断一段程序执行所花费的时间(单位为 GPU 执行单元的频率)。这对程序的优化也相当有用。要在我们的程序中记录时间，把 sumOfSquares 函式改成：__global__ static void sumOfSquares(int *num, int* result,&&&&clock_t* time){&&&&int sum = <span style="color: #;&&&&int&&&&clock_t start = clock();&&&&for(i = <span style="color: #; i & DATA_SIZE; i++) {&&&&&&&&sum += num[i] * num[i];&&&&}&&&&*result =&&&&*time = clock() -}　　把 main 函式中间部份改成：int* gpudata, *&&&&clock_t*&&&&cudaMalloc((void**) &gpudata, sizeof(int) * DATA_SIZE);&&&&cudaMalloc((void**) &result, sizeof(int));&&&&cudaMalloc((void**) &time, sizeof(clock_t));&&&&cudaMemcpy(gpudata, data, sizeof(int) * DATA_SIZE,&&&&&&&&cudaMemcpyHostToDevice);&&&&sumOfSquares&&&<span style="color: #, <span style="color: #, <span style="color: #&&&(gpudata, result, time);&&&&int&&&&clock_t time_&&&&cudaMemcpy(&sum, result, sizeof(int), cudaMemcpyDeviceToHost);&&&&cudaMemcpy(&time_used, time, sizeof(clock_t),&&&&&&&&cudaMemcpyDeviceToHost);&&&&cudaFree(gpudata);&&&&cudaFree(result);&&&&printf(&sum: %d time: %d\n&, sum, time_used);　　编译后执行，就可以看到执行所花费的时间了。　　以下是第二篇教程：　　我们的第一个程序，并没有利用到任何并行化的功能。整个程序只有一个 thread。在 GeForce 8800GT 上面，在 GPU 上执行的部份(称为 &kernel&)大约花费 640M 个频率。GeForce 8800GT 的执行单元的频率是 1.5GHz，因此这表示它花费了约 0.43 秒的时间。1M 个 32 bits 数字的数据量是 4MB，因此，这个程序实际上使用的内存带宽，只有 9.3MB/s 左右!这是非常糟糕的表现。　　为什么会有这样差的表现呢?这是因为 GPU 的架构特性所造成的。在 CUDA 中，一般的数据复制到的显卡内存的部份，称为 global memory。这些内存是没有 cache 的，而且，存取 global memory 所需要的时间(即 latency)是非常长的，通常是数百个 cycles。由于我们的程序只有一个 thread，所以每次它读取 global memory 的内容，就要等到实际读取到数据、累加到 sum 之后，才能进行下一步。这就是为什么它的表现会这么的差。　　由于 global memory 并没有 cache，所以要避开巨大的 latency 的方法，就是要利用大量的 threads。假设现在有大量的 threads 在同时执行，那么当一个 thread 读取内存，开始等待结果的时候，GPU 就可以立刻切换到下一个 thread，并读取下一个内存位置。因此，理想上当 thread 的数目够多的时候，就可以完全把 global memory 的巨大 latency 隐藏起来了。　　要怎么把计算平方和的程序并行化呢?最简单的方法，似乎就是把数字分成若干组，把各组数字分别计算平方和后，最后再把每组的和加总起来就可以了。一开始，我们可以把最后加总的动作，由 CPU 来进行。　　首先，在 first_cuda.cu 中，在 #define DATA_SIZE 的后面增加一个 #define，设定 thread 的数目：#define DATA_SIZE&&&&1048576#define THREAD_NUM&& 256　　接着，把 kernel 程序改成：__global__ static void sumOfSquares(int *num, int* result,&&&&clock_t* time){&&&&const int tid = threadIdx.x;&&&&const int size = DATA_SIZE / THREAD_NUM;&&&&int sum = <span style="color: #;&&&&int&&&&clock_&&&&if(tid == <span style="color: #) start = clock();&&&&for(i = tid * i & (tid + <span style="color: #) * i++) {&&&&&& sum += num[i] * num[i];&&&&}&&&&result[tid] =&&&&if(tid == <span style="color: #) *time = clock() -}　　程序里的 threadIdx 是 CUDA 的一个内建的变量，表示目前的 thread 是第几个 thread(由 0 开始计算)。以我们的例子来说，会有 256 个 threads，所以同时会有 256 个 sumOfSquares 函式在执行，但每一个的 threadIdx.x 则分别会是 0 ~ 255。利用这个变量，我们就可以让每一份函式执行时，对整个数据不同的部份计算平方和。另外，我们也让计算时间的动作，只在 thread 0(即 threadIdx.x = 0 的时候)进行。　　同样的，由于会有 256 个计算结果，所以原来存放 result 的内存位置也要扩大。把 main 函式中的中间部份改成：int* gpudata, *&&&&clock_t*&&&&cudaMalloc((void**) &gpudata, sizeof(int) * DATA_SIZE);&&&&cudaMalloc((void**) &result, sizeof(int) * THREAD_NUM);&&&&cudaMalloc((void**) &time, sizeof(clock_t));&&&&cudaMemcpy(gpudata, data, sizeof(int) * DATA_SIZE,&&&&&&&&cudaMemcpyHostToDevice);&&&&sumOfSquares&&&<span style="color: #, THREAD_NUM, <span style="color: #&&&(gpudata, result, time);&&&&int sum[THREAD_NUM];&&&&clock_t time_&&&&cudaMemcpy(&sum, result, sizeof(int) * THREAD_NUM, &&&&&&&&cudaMemcpyDeviceToHost);&&&&cudaMemcpy(&time_used, time, sizeof(clock_t),&&&&&&&&cudaMemcpyDeviceToHost);&&&&cudaFree(gpudata);&&&&cudaFree(result);&&&&cudaFree(time);　　可以注意到我们在呼叫 sumOfSquares 函式时，指定 THREAD_NUM 为 thread 的数目。最后，在 CPU 端把计算好的各组数据的平方和进行加总：int final_sum = <span style="color: #;&&&&for(int i = <span style="color: #; i & THREAD_NUM; i++) {&&&&&&&&final_sum += sum[i]; &&&&}&&&&printf(&sum: %d&&time: %d\n&, final_sum, time_used);&&&&final_sum = <span style="color: #;&&&&for(int i = <span style="color: #; i & DATA_SIZE; i++) {&&&&&&&&sum += data[i] * data[i];&&&&}&&&&printf(&sum (CPU): %d\n&, final_sum);　　编译后执行，确认结果和原来相同。　　这个版本的程序，在 GeForce 8800GT 上执行，只需要约 8.3M cycles，比前一版程序快了 77 倍!这就是透过大量 thread 来隐藏 latency 所带来的效果。　　不过，如果计算一下它使用的内存带宽，就会发现其实仍不是很理想，大约只有 723MB/s 而已。这和 GeForce 8800GT 所具有的内存带宽是很大的差距。为什么会这样呢?　　10.内存的存取模式　　显卡上的内存是 DRAM，因此最有效率的存取方式，是以连续的方式存取。前面的程序，虽然看起来是连续存取内存位置(每个 thread 对一块连续的数字计算平方和)，但是我们要考虑到实际上 thread 的执行方式。前面提过，当一个 thread 在等待内存的数据时，GPU 会切换到下一个 thread。也就是说，实际上执行的顺序是类似　　thread 0 -& thread 1 -& thread 2 -& ...　　因此，在同一个 thread 中连续存取内存，在实际执行时反而不是连续了。要让实际执行结果是连续的存取，我们应该要让 thread 0 读取第一个数字，thread 1 读取第二个数字&依此类推。所以，我们可以把 kernel 程序改成如下：__global__ static void sumOfSquares(int *num, int* result,&&&&clock_t* time){&&&&const int tid = threadIdx.x;&&&&int sum = <span style="color: #;&&&&int&&&&clock_&&&&if(tid == <span style="color: #) start = clock();&&&&for(i = i & DATA_SIZE; i += THREAD_NUM) {&&&&&& sum += num[i] * num[i];&&&&}&&&&result[tid] =&&&&if(tid == <span style="color: #) *time = clock() -}　　编译后执行，确认结果相同。　　仅仅是这样简单的修改，实际执行的效率就有很大的差别。在 GeForce 8800GT 上，上面的程序执行需要的频率是 2.6M cycles，又比前一版程序快了三倍。不过，这样仍只有 2.3GB/s 的带宽而已。　　这是因为我们使用的 thread 数目还是不够多的原因。理论上 256 个 threads 最多只能隐藏 256 cycles 的 latency。但是 GPU 存取 global memory 时的 latency 可能高达 500 cycles 以上。如果增加 thread 数目，就可以看到更好的效率。例如，可以把 THREAD_NUM 改成 512。在 GeForce 8800GT 上，这可以让执行花费的时间减少到 1.95M cycles。有些改进，但是仍不够大。不幸的是，目前 GeForce 8800GT 一个 block 最多只能有 512 个 threads，所以不能再增加了，而且，如果 thread 数目增加太多，那么在 CPU 端要做的最后加总工作也会变多。　　下面开始做实验，我把DATA_SIZE改成了32768，程序如下：#include &stdio.h&#include &stdlib.h&#include &cuda_runtime.h&#define DATA_SIZE 32768#define THREAD_NUM 1bool InitCUDA(){&&&&int&&&&cudaGetDeviceCount(&count);&&&&if(count==<span style="color: #)&&&&{&&&&&&&&fprintf(stderr,&There is no device.\n&);&&&&&&&&return false;&&&&}&&&&int&&&&for(i=<span style="color: #;i&i++)&&&&{&&&&&&&&cudaDeviceP&&&&&&&&if(cudaGetDeviceProperties(&prop,i) == cudaSuccess)&&&&&&&&{&&&&&&&&&&&&if(prop.major&=<span style="color: #)&&&&&&&&&&&&{&&&&&&&&&&&&&&&&//枚举详细信息&&&&&&&&&&&&&&&&printf(&Identify: %s\n&,prop.name);&&&&&&&&&&&&&&&&printf(&Host Memory: %d\n&,prop.canMapHostMemory);&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&printf(&Clock Rate: %d khz\n&,prop.clockRate);&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&printf(&Compute Mode: %d\n&,puteMode);&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&printf(&Device Overlap: %d\n&,prop.deviceOverlap);&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&printf(&Integrated: %d\n&,prop.integrated);&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&printf(&Kernel Exec Timeout Enabled: %d\n&,prop.kernelExecTimeoutEnabled);&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&printf(&Max Grid Size: %d * %d * %d\n&,prop.maxGridSize[<span style="color: #],prop.maxGridSize[<span style="color: #],prop.maxGridSize[<span style="color: #]);&&&&&&&&&&&&&&&&printf(&Max Threads Dim: %d * %d * %d\n&,prop.maxThreadsDim[<span style="color: #],prop.maxThreadsDim[<span style="color: #],prop.maxThreadsDim[<span style="color: #]);&&&&&&&&&&&&&&&&printf(&Max Threads per Block: %d\n&,prop.maxThreadsPerBlock);&&&&&&&&&&&&&&&&printf(&Maximum Pitch: %d bytes\n&,prop.memPitch);&&&&&&&&&&&&&&&&printf(&Minor Compute Capability: %d\n&,prop.minor);&&&&&&&&&&&&&&&&printf(&Number of Multiprocessors: %d\n&,prop.multiProcessorCount);&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&printf(&<span style="color: #bit Registers Availble per Block: %d\n&,prop.regsPerBlock);&&&&&&&&&&&&&&&&printf(&Shared Memory Available per Block: %d bytes\n&,prop.sharedMemPerBlock);&&&&&&&&&&&&&&&&printf(&Alignment Requirement for Textures: %d\n&,prop.textureAlignment);&&&&&&&&&&&&&&&&printf(&Constant Memory Available: %d bytes\n&,prop.totalConstMem);&&&&&&&&&&&&&&&&printf(&Global Memory Available: %d bytes\n&,prop.totalGlobalMem);&&&&&&&&&&&&&&&&printf(&Warp Size: %d threads\n&,prop.warpSize);&&&&&&&&&&&&&&&&printf(&===================================\n&);&&&&&&&&&&&&&&&&break;&&&&&&&&&&&&}&&&&&&&&}&&&&}&&&&if(i==count)&&&&{&&&&&&&&fprintf(stderr,&There is no device supporting CUDA.\n&);&&&&&&&&return false;&&&&}&&&&cudaSetDevice(i);&&&&return true;}void GenerateNums(int *numbers, int size){&&&&for(int i=<span style="color: #;i&i++)&&&&{&&&&&&&&numbers[i]=rand()%<span style="color: #;&& //产生0-9的随机数&&&&}}__global__ static void SumSquares(int *num, int *result, clock_t *time)&&//计算平方和线程{&&&&int sum=<span style="color: #;&&&&int&&&&clock_&&&&const int tid = threadIdx.x;&&&&const int size = DATA_SIZE/THREAD_NUM;&&&&if(tid==<span style="color: #) start = clock();&&&&for(i=tid*i&(tid+<span style="color: #)*i++)&&&&{&&&&&&&&sum += num[i]*num[i];&&&&}&&&&result[tid] =&&&&if(tid==<span style="color: #) *time=clock()-}static void TestGPU(){&&&&int data[DATA_SIZE];&&&&GenerateNums(data,DATA_SIZE);&&&&int *gpudata, *&&&&clock_t *&&&&cudaMalloc((void**)&gpudata,sizeof(int)*DATA_SIZE);&&&&cudaMalloc((void**)&result,sizeof(int)*THREAD_NUM);&&&&cudaMalloc((void**)&time,sizeof(clock_t));&&&&cudaMemcpy(gpudata,data,sizeof(int)*DATA_SIZE,cudaMemcpyHostToDevice);&&&&clock_t gpustart = clock();&&&&SumSquares&&&<span style="color: #,THREAD_NUM,<span style="color: #&&&(gpudata,result,time);&&&&int sum[THREAD_NUM];&&&&clock_t time_&&&&cudaMemcpy(&sum,result,sizeof(int)*THREAD_NUM,cudaMemcpyDeviceToHost);&&&&cudaMemcpy(&time_used,time,sizeof(clock_t),cudaMemcpyDeviceToHost);&&&&cudaFree(gpudata);&&&&cudaFree(result);&&&&cudaFree(time);&&&&int final_sum=<span style="color: #;&&&&for(int i=<span style="color: #;i&THREAD_NUM;i++)&&&&{&&&&&&&&final_sum+=sum[i];&&&&}&&&&clock_t gputime = clock()-&&&&printf(&GPU sum: %d, cycle used %d, time used: %d\n&,final_sum, time_used, gputime);&&&&int sum1 = <span style="color: #;&&&&&&&&for(int i=<span style="color: #;i&DATA_SIZE;i++)&&&&{&&&&&&&&sum1 += data[i]*data[i];&&&&}&&&&&&&&printf(&CPU sum: %d\n&,sum1);}void main(){&&&&if(!InitCUDA())&&&&&&&&{&&&&&&&&&&&&getchar();&&&&&&&&&&&&return;&&&&&&&&}&&&&&&&&printf(&CUDA initialized.\n&);&&&&&&&&&&&&&&&&/**//////////////////////////////////&&&&&&&&TestGPU();&&&&&&&&&&&&&&&&&&&&getchar();} 　　最开始设定THREAD_NUM为1，这其实就不算并行运算了，效果肯定很差，运行结果如下：　　总共耗费了21M个cycle　　将THREAD_NUM改为512后，结果如下：　　只耗费了98224个cycle　　根据原文最后的分析，我们再进行修改，让实际执行结果是连续的存取，应该要让 thread 0 读取第一个数字，thread 1 读取第二个数字&依此类推。所以，将SumSquare函数改成如下：__global__ static void SumSquares(int *num, int *result, clock_t *time)&&//计算平方和线程{&&&&int sum=<span style="color: #;&&&&int&&&&clock_&&&&const int tid = threadIdx.x;&&&&&&&&if(tid==<span style="color: #) start = clock();&&&&for(i=i&DATA_SIZE;i+=THREAD_NUM)&&&&{&&&&&&&&sum += num[i]*num[i];&&&&}&&&&result[tid] =&&&&if(tid==<span style="color: #) *time=clock()-}　　运行结果如下：&&&&&&& 更多内容请点击：&&&&&&& CUDA专区：&&&&&&& CUDA论坛：&
本文欢迎转载，转载请注明：转载自IT168： []
正在努力加载文档，请稍等…
点击或扫描下载
点击或扫描下载
点击或扫描下载平台&&&&&&&&&使用Mathematica(R)进行英伟达(TM)(NVIDIA(R))CUDA编程&使用Mathematica(R)进行英伟达(TM)(NVIDIA(R))CUDA编程&&
Mathematica 是一种复杂的开发环境，它集灵活的编程语言与各种符号数值计算功能、高画质可视化、内置应用程序软件包以及各种即时部署选项于一身。Mathematica 可访问数以千计的数据集并能够载入外部动态库和自动生成C语言代码，它是市面上最直观的构建部署(Build-to-deploy)环境。了解有关利用Wolfram Mathematica实现GPU计算的更多信息 []。
Mathematica的 CUDALink: 集成的GPU编程
Mathematica 通过内置的 CUDALink 软件包可提供GPU编程支持，该软件包可为用户提供GPU加速的线性代数、离散傅里叶变换以及图像处理等算法。 用户可以毫不费力地编写出自己的 CUDALink 模块。
Mathematica中包含的CUDALink软件包并不额外加价:
可以用到Mathematica的界面自动构建器、导入/导出功能以及诸多可视化特性
可以用到Mathematica策划数据集
支持单或双算术精度
能够将用户定义的英伟达(TM)(NVIDIA(R))CUDA程序载入到Mathematica中
能够扩展至多个设备
与现有的Mathematica技术集成在一起，例如远程会议等
Mathematica GPU计算指南 []
Mathematica CUDALink教程 []
Mathematica OpenCLLink教程 []
在Mathematica中进行英伟达(TM)(NVIDIA(R))CUDA编程
– Wolfram白皮书 []
例子: 进行Canny边缘检测
例子: 模拟随机的行走效果
推荐的专业产品
Mathematica中强大的GPU计算功能是在英伟达(TM)(NVIDIA(R))Tesla以及Quadro GPU计算产品上开发出来的，需要使用近年推出且基于英伟达(TM)(NVIDIA(R))CUDA的GPU。英伟达(TM)(NVIDIA(R))Tesla以及Quadro GPU计算产品旨在提供最高计算性能以及最可靠的数值精度，全球一线专业系统制造商均生产和支持这些计算产品。想要利用Mathematica 的 CUDALink需要使用下列软硬件:
操作系统: Windows、Linux或Mac OS X，32位和64位架构均可
基于英伟达(TM)(NVIDIA(R))CUDA的产品
Mathematica 8.0 或更新型号
英伟达(TM)(NVIDIA(R))TESLA的优势
计算性能最高
& 高速双精度运算
& 大容量专用存储器
& 高速双向PCIe通信
& 带InfiniBand的英伟达(TM)(NVIDIA(R))GPUDirect(TM)
可靠性最高
& ECC存储器
& 严格的强度测试
技术支持最完善
& 专业的技术支持网络
& OEM系统集成
& 产品寿命周期长
& 集群与系统管理工具
&&&(服务器产品)
& 支持Windows远程桌面
推荐的英伟达(TM)(NVIDIA(R))TESLA与英伟达(TM)(NVIDIA(R))QUADRO配置
高端工作站
& 两颗英伟达(TM)(NVIDIA(R))Tesla C2050或C2070 GPU
& 英伟达(TM)(NVIDIA(R))Quadro NVS 295
& 两颗四核CPU
& 12 GB系统内存
中端工作站
& 英伟达(TM)(NVIDIA(R))Tesla C2050或C2070 GPU
& 英伟达(TM)(NVIDIA(R))Quadro NVS 295
& 8 GB系统内存
入门级工作站
& 英伟达(TM)(NVIDIA(R))Quadro 4000 GPU
& 单颗四核CPU
& 4 GB系统内存
用户现在在各大专业工作站OEM厂商处均可购买到英伟达(TM)(NVIDIA(R))Tesla与英伟达(TM)(NVIDIA(R))Quadro产品。 只有英伟达(TM)(NVIDIA(R))Tesla GPU计算产品是专为部署计算集群而设计的并且已通过相关认证。
选购优化的英伟达(TM)(NVIDIA(R))TESLA系统
我们携手诸多系统供应商，共同为用户提供可加速其工作的最佳解决方案。 立即购买即可在Mathematica上享受到所有GPU加速的优势。
推荐的工作站平台
HP Z800支持两颗英伟达(TM)(NVIDIA(R))Tesla C2050计算处理器，该机面向这些追求最高性能兼顾时尚设计的Mathematica用户，让用户在自己的桌边即可实现超级计算性能。
戴尔Precision T7500配有一颗英伟达(TM)(NVIDIA(R))Tesla C2050计算处理器，专为系统扩展能力与高性能而设计，可满足用户的Mathematica计算需求。
推荐的集群平台
戴尔PowerEdge C410x在3U的外形规格中汇集了最强劲的计算动力，配备了16颗英伟达(TM)(NVIDIA(R))Tesla M2050计算处理器，是Mathematica用户扩展现有集群的完美平台。
其它推荐的合作伙伴与零售商
查看英伟达(TM)(NVIDIA(R))Tesla首选供应商的完整清单。GPU并行计算和CUDA程序开发-简介_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
GPU并行计算和CUDA程序开发-简介
阅读已结束，如果下载本文需要使用
想免费下载本文？
你可能喜欢只需一步，快速开始
查看: 2640|回复: 7
请教在opencv2.4.6中使用cuda的方法
我在win7上安装好了CUDA环境（4.0），并且验证CUDA已经可以使用了（写了个向量相加的小程序可以运行）。
然后我下载安装了opencv2.4.6，写了个测试 cv::gpu::getCudaEnabledDeviceCount()，返回的结果是0。
是我的opencv环境没配对吗？
我的opencv是安装帮，是不是还需要自己编译一下啊？求指导
OPENCV 的GPU版本需要自己手动重新编译
必须用 CMake 重新编译带 CUDA 的 OpenCV，参考这个 pdf&&
（感谢 的译者提供回答）
或者参考此贴：转帖：使用OpenCV的GPU模块（Win7x64+VS2010+OpenCV2.4.5+CUDA5.0）配置详解 .
好的 非常感谢 :)
OpenCV对cuda的版本号是有要求的，具体是多少我忘记了，但4.0肯定不行。
我记得有个地方有cuda版本的提醒，记不清了，可能在以下情况提醒：
1、用cmake编译OpenCV的时候，作为warning，提醒你cuda版本号不够；
2、运行OpenCV的sample，会告诉你cuda版本号不够，然后可用设备返回0.
建议，至少安装cuda5环境。
OpenCV对cuda的版本号是有要求的，具体是多少我忘记了，但4.0肯定不行。
我记得有个地方有cuda版本的提醒 ...
我今晚照这个安装了一晚上 CMAKE总是编译不过 难道是我的cuda4不行？ :'(
我今晚照这个安装了一晚上 CMAKE总是编译不过 难道是我的cuda4不行？
CUDA 4.0 需要低版本的OPENCV ，较新的opencv需要最新的cuda，最新的opencv2.4.6，CUDA5.5，注意选择npp目录
站长推荐 /1
为了更好地为各位会员提供技术支持服务，本论坛采用注册审核制度。您注册会员后，我们的管理人员会在8小时内在后台进行审核，审核通过会发邮件通知。只要是真实的开发者或学习者，我们都会审核通过。敬请谅解！如果您着急的话，可以发邮件至： 提醒我们第一时间审核通过。}