CUDA Samples 上手指南：如何编译运行官方示例，并少走弯路-平芜编程栈

CUDA Samples 上手指南：如何编译运行官方示例，并少走弯路

【免费下载链接】cuda-samplesSamples for CUDA Developers which demonstrates features in CUDA Toolkit项目地址: https://gitcode.com/GitHub_Trending/cu/cuda-samples

CUDA Samples 是 NVIDIA 官方维护的示例代码库，覆盖 CUDA Toolkit（CUDA 开发工具链，包含编译器 nvcc、运行时库和调试工具）里的各种特性。如果你想学 GPU 编程却不知道该写什么程序，或者需要快速确认某个 CUDA API 的用法，这个仓库是最直接的参考。编译成功后可以拿到约 180 个可运行的示例程序（README 测试输出示例），外加一套 Python 版示例。

它适合解决什么问题？

上手 CUDA API：每个示例只演示一个具体特性，比如事件计时、纹理读取、多 GPU 通信，看完就能照着写。
验证本机环境：装完工具链后先跑设备查询示例，确认驱动和显卡是否正常。
找算法参考实现：矩阵乘法、直方图、归约、排序、图像滤波都有现成实现，可以直接对照源码。
试用新硬件特性：CUDA Graphs、Tensor Core、协作组（Cooperative Groups：跨线程块同步的编程方式）等都有对应示例。
转 Python 学习：python/目录用 CUDA Python 重写了一批基础概念示例。

开始之前要准备什么？

项目	要求
GPU	支持 CUDA 的 NVIDIA 显卡；默认构建目标为计算能力 7.5 及以上（Turing 及更新架构）
工具链	CUDA Toolkit（本仓库对应 13.3 版本），CMake 3.20 以上，支持 C++17 的编译器
可选依赖	部分示例需要 OpenGL、FreeImage、MPI 等；缺失时该示例会在构建时自动跳过，不影响整体编译

获取代码：

git clone https://gitcode.com/GitHub_Trending/cu/cuda-samples

装完先执行nvcc --version，能正常输出版本号说明工具链可用。

建议的示例阅读顺序

先跑通第一个：从 cpp/0_Introduction/vectorAdd 开始，这是 GPU 编程的入门程序。边读源码边理解四步流程：分配显存 → 拷入数据 → 启动内核 → 拷回结果。
再看机器配置：运行 cpp/1_Utilities/deviceQuery，输出系统里每块 GPU 的参数，后面判断性能时以它为基准。
然后学通用技术：cpp/2_Concepts_and_Techniques/ 下的 reduction（归约：把大批数据累加成单个结果）、histogram（直方图）、scan（前缀和）等，是大多数实用程序的常用积木。

以该目录下的 dct8x8（8x8 离散余弦变换）为例，一个示例通常配有文档、图像素材和多种内核实现，能看出同一算法的不同优化写法：

编译与运行：最短三步

以 Linux 为例：

mkdir build && cd build cmake .. make -j$(nproc)

cmake ..：分析全部示例，自动跳过缺依赖的项。
make：编译所有示例，产物在 build 目录内，进入对应目录直接运行可执行文件。

Windows 上可用 Visual Studio 2019 及以上版本直接导入仓库根目录构建。

Python 示例不参与 CMake 编译，需要 Python 3.10 以上环境，进入具体示例目录，按python/requirements.txt安装依赖后运行其中的 .py 脚本，细节见各示例的 README。

卡住时先查什么

现象	可能原因	处理方式
图形类示例（OpenGL/Vulkan 等）没编译出来	系统缺少对应图形 SDK 或库	属于自动跳过而非报错，依赖清单见根 README 的 Dependencies 章节
配置阶段报找不到 CUDA	工具链未装好或路径不在环境中	先用`nvcc --version`确认安装，再检查环境变量
程序启动报无可用设备	显卡太老（计算能力低于 7.5）或驱动过旧	运行 deviceQuery 查看 GPU 型号与驱动版本
想单步调试 GPU 代码	默认构建不带设备调试符号	配置时加`-DENABLE_CUDA_DEBUG=True`，之后可用 cuda-gdb 调试
想批量验证环境是否健康	逐个手动运行太慢	在仓库根目录执行`python3 run_tests.py --output ./test --dir ./build/cpp --config test_args.json`

适合把它用到哪些实际场景

图像处理：cpp/5_Domain_Specific/ 有双边滤波、去噪、边缘检测等；cpp/4_CUDA_Libraries/nvJPEG演示 GPU 加速的 JPEG 解码，下图就是示例自带的图片素材：

金融计算：BlackScholes、binomialOptions、MonteCarloMultiGPU 等期权定价示例，适合理解蒙特卡洛方法在 GPU 上的写法。
线性代数：matrixMul 展示手写内核思路，cpp/4_CUDA_Libraries/下的 cuBLAS、cuSOLVER 示例展示生产环境该调用哪些库。
性能调优：cpp/6_Performance/聚焦统一内存、内存访问模式等具体优化主题。