---

写在前面

以前只是在 PyCharm 编译环境中调用 GPU 来运行程序，这篇文章将记录 VS 编译环境中如何使用 CUDA 调用 GPU 来运行程序。

1 VS的安装

如果要在VS中调用CUDA，需先按照VS编译环境，因为CUDA在安装的过程中会自动将相关文件安装至VS环境中，所以要先安装VS，安装教程这里不再赘述。

---

2 CUDA 的安装和配置

2.1 CUDA的安装

首先是CUDA的下载和安装，安装教程这里不再赘述，要注意CUDA和GPU版本的对应。

2.2 CUDA环境变量的配置

参考这篇文章，在电脑中打开环境变量，根据下图，在系统变量里添加如下内容：

  CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1

  CUDA_LIB_PATH = %CUDA_PATH%\lib\x64

  CUDA_BIN_PATH = %CUDA_PATH%\bin

  CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64

  CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

【注】CUDA _PATH与CUDA _PATH_V10_1是安装CUDA在时自动添加的，CUDA _PATH_V10_1中的10_1指的是安装的CUDA版本号。

---

接着， 根据下图所示，添加以下内容到用户变量的path中：

  %CUDA_LIB_PATH%

  %CUDA_BIN_PAHT%

 %CUDA_SDK_BIN_PAHT%

  %CUDA_SDK_LIB_PATH%

2.3 检验CUDA环境变量的配置

重启电脑，打开cmd，在命令行中输入 set cuda，可以看到刚才配置的CUDA的环境变量配置信息。

接下来通过cd命令切换到如下目录：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite

输入如下命令：

deviceQuery.exe

即运行该目录下的deviceQuery.exe，如下所示：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite>deviceQuery.exe

会在命令框中输出GPU的信息，如果最下面如下语句：

Result=PASS

则表示CUDA已安装和配置成功，且能调用CUDA加速程序的运行。

---

或者可以进入到如下所示的CUDA自带的测试案例目录中，如图所示：

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1\1_Utilities\deviceQuery

用VS打开*.sln文件，同样的，运行如果输出GPU的信息，则表示CUDA已配置成功，且能调用CUDA加速程序的运行。

---

3 VS中CUDA的配置

打开VS，新建工程后，如果想要调用GPU加速程序，则要找到属性管理器，在Debug模式中，新建一个*.props文件，点击右键，打开属性页，如下图所示，在左侧找到VC++目录，接着在包含目录中添加C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include，在库目录中添加C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64。

其次，如下图所示，在左侧找到链接器，接着找到下面的输入，在右侧的附加依赖项中，添加如下内容：

cublas.lib
cublasLt.lib
cuda.lib
cudadevrt.lib
cudart.lib
cudart_static.lib
cufft.lib
cufftw.lib
curand.lib
cusolver.lib
cusparse.lib
nppc.lib
nppial.lib
nppicc.lib
nppicom.lib
nppidei.lib
nppif.lib
nppig.lib
nppim.lib
nppist.lib
nppisu.lib
nppitc.lib
npps.lib
nvblas.lib
nvgraph.lib
nvml.lib
nvrtc.lib
OpenCL.lib

至此，VS编译环境中的CUDA已经配置完毕。

---

4 VS中OpenCV的CUDA版本编译

在VS编译环境下，调用OpenCV库进行图像处理的过程中，如果想要使用GPU加速，则需要对OpenCV进行相应的编译，即编译Opencv的CUDA版本，用以驱动GPU。
（未完待续…）
本小节通过记录CUDA的编译过程，以期做到授之以渔。

4.1 未使用CUDA加速时

C++的图像处理代码，在未使用CUDA加速时，处理一张图像的速度可能要500ms左右，接下来尝试如何使用CUDA加速。

4.2 不修改代码，直接使用编译CUDA后的OpenCV来运行

官网下载的OpenCV是CPU版本的，如若想要调用GPU来运行程序，首先要编译CUDA版本的OpenCV，编译方法可以参考前辈的这篇文章。
编译后，再次运行代码，一张图像的处理时间可以由原来的 500ms 降至 200ms，但通过检查代码运行过程中GPU的消耗，发现并未实现真正意义上的GPU调用，接下来需要修改代码。

4.3 编译OpenCV CUDA后，添加CUDA加速的代码

在原有代码的基础上，尝试修改代码，目的是实现真正意义上的GPU调用。在原有程序中添加下列CUDA加速的代码：

//加上这样几句之后，程序再运行dnn计算时，会使用gpu加速
net.setPreferableBackend(cv::dnn::DNN_BACKEND_CUDA);
net.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA);
//net.setPreferableBackend(cv::dnn::DNN_BACKEND_OPENCV);
//net.setPreferableTarget(cv::dnn::DNN_TARGET_CPU);

一张图像的处理所用时间继续降至了 2ms。

【注】经试验发现，如果只添加CUDA加速的代码，而不使用经过OpenCV CUDA编译的库，则无法调用CUDA使用GPU加速。

---

安装过程中可能遇到的问题

情况1

在VS点击生成解决方案，会出现下面这样的找不到SDK报错信息，如下如图所示：

找不到windows SDK版本10.0.15063.0

可能原因：缺少相应的SDK。
解决办法：参考这篇文章和这篇文章，如下图所示，无需重装VS，找到VS的安装软件，点击打开，点击修改（modify），缺少哪个版本安装哪个windows SDK即可。