目前c++流行的编译器有cmake，clang，qmake，xmake等，本文主要介绍如何在cmake和xmake中编译cuda。
xmake是国人开发的一款编译器，官方链接如下：xmake官网。该编译器安装方便，上手快，支持c++，cuda，Qt，iOS等语言和项目的编译，我在进行简单的模块开发时喜欢用xmake快速生成项目以进行测试。
xmake的安装过程此处略过，官方文档里很详细。使用xmake时只要一行指令就可以创建一个完整的空项目：
user@user-:~/桌面$ xmake create -P project -l cuda
create project ...
[+]: xmake.lua
[+]: src/main.cu
[+]: .gitignore
create ok!
这是xmake自动生成的main.cu文件，可在内部修改
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include <stdio.h>
cudaError_t addWithCuda(int *c, const int *a, const int *b, unsigned int size);
__global__ void addKernel(int *c, const int *a, const int *b)
{
int i = threadIdx.x;
c[i] = a[i] + b[i];
}
int main()
{
const int arraySize = 5;
const int a[arraySize] = {1, 2, 3, 4, 5};
const int b[arraySize] = {10, 20, 30, 40, 50};
int c[arraySize] = {0};
// Add vectors in parallel.
cudaError_t cudaStatus = addWithCuda(c, a, b, arraySize);
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "addWithCuda failed!");
return 1;
}
printf("{1,2,3,4,5} + {10,20,30,40,50} = {%d,%d,%d,%d,%d}\n",
c[0], c[1], c[2], c[3], c[4]);
// cudaDeviceReset must be called before exiting in order for profiling and
// tracing tools such as Nsight and Visual Profiler to show complete traces.
cudaStatus = cudaDeviceReset();
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "cudaDeviceReset failed!");
return 1;
}
return 0;
}
// Helper function for using CUDA to add vectors in parallel.
cudaError_t addWithCuda(int *c, const int *a, const int *b, unsigned int size)
{
int *dev_a = 0;
int *dev_b = 0;
int *dev_c = 0;
cudaError_t cudaStatus;
// Choose which GPU to run on, change this on a multi-GPU system.
cudaStatus = cudaSetDevice(0);
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "cudaSetDevice failed! Do you have a CUDA-capable GPU installed?");
goto Error;
}
// Allocate GPU buffers for three vectors (two input, one output) .
cudaStatus = cudaMalloc((void **)&dev_c, size * sizeof(int));
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "cudaMalloc failed!");
goto Error;
}
cudaStatus = cudaMalloc((void **)&dev_a, size * sizeof(int));
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "cudaMalloc failed!");
goto Error;
}
cudaStatus = cudaMalloc((void **)&dev_b, size * sizeof(int));
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "cudaMalloc failed!");
goto Error;
}
// Copy input vectors from host memory to GPU buffers.
cudaStatus = cudaMemcpy(dev_a, a, size * sizeof(int), cudaMemcpyHostToDevice);
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "cudaMemcpy failed!");
goto Error;
}
cudaStatus = cudaMemcpy(dev_b, b, size * sizeof(int), cudaMemcpyHostToDevice);
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "cudaMemcpy failed!");
goto Error;
}
// Launch a kernel on the GPU with one thread for each element.
addKernel<<<1, size>>>(dev_c, dev_a, dev_b);
// Check for any errors launching the kernel
cudaStatus = cudaGetLastError();
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "addKernel launch failed: %s\n", cudaGetErrorString(cudaStatus));
goto Error;
}
// cudaDeviceSynchronize waits for the kernel to finish, and returns
// any errors encountered during the launch.
cudaStatus = cudaDeviceSynchronize();
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "cudaDeviceSynchronize returned error code %d after launching addKernel!\n", cudaStatus);
goto Error;
}
// Copy output vector from GPU buffer to host memory.
cudaStatus = cudaMemcpy(c, dev_c, size * sizeof(int), cudaMemcpyDeviceToHost);
if (cudaStatus != cudaSuccess)
{
fprintf(stderr, "cudaMemcpy failed!");
goto Error;
}
Error:
cudaFree(dev_c);
cudaFree(dev_a);
cudaFree(dev_b);
return cudaStatus;
}
编译方面，进入project文件夹，使用以下指令运行：
user@user:~/桌面/$ cd project/
user@user:~/桌面/project$ xmake
checking for platform ... linux
checking for architecture ... x86_64
checking for Cuda SDK directory ... /usr/local/cuda
[ 25%]: compiling.release src/main.cu
[ 50%]: devlinking.release project_gpucode.cu.o
[ 50%]: linking.release project
[100%]: build ok!
user@user:~/桌面/project$ xmake run
{1,2,3,4,5} + {10,20,30,40,50} = {11,22,33,44,55}
xmake使用较为简单，可以满足常规的使用要求，但该编译器毕竟不如cmake这么流行，在社区和使用的广度上仍然存在一些问题，因此个人建议仅用于小型的算法验证，至于大型项目还是考虑cmake。
cmake作为使用最广泛的c++编译器之一，不再多做介绍，此处需要说明的是使用cmake编译cuda时需要注意版本问题。在早期版本中，cmake需要使用find_package 和 link_directories将cuda的文件和库链接到程序中（使用 CMake 构建跨平台 CUDA 应用程序），但在cmake3.10以后通过开启cuda编译选项，可以不再使用find cuda（findcuda文档）。
我有两台电脑，一台Ubuntu18，另一台Ubuntu20，以前遇到过相同的代码放到20上就会编译报错，后来排查的原因是18默认安装的cmake是3.10版本，而20默认的是3.16，正好处在新老分界线上，因此使用时需要注意。
由于cmake和cuda的安装都比较繁琐，有的时候编译报错也无法确定究竟是cuda的安装问题还是cmakelists的编写问题，因此建议先使用xmake生成一个简单的demo，如果能正常运行则大概率是cmakelists的问题，反之则需要检查cuda的安装。
cmake版本基于3.23，注意：不同的cmake可能需要使用不同的指令，低版本编译可能报错。文件结构如下所示：
user@user:~/test/test/cuda$ tree -L 1
.
├── bin
├── build
├── CMakeLists.txt
├── cuda_alg.cu
├── cuda_alg.h
└── main.cpp
2 directories, 4 files
main.cpp
#include <iostream>
#include "cuda_alg.h"
int main()
{
CudaTest cuda_test;
cuda_test.run();
return 0;
}
cuda_alg.h
#ifndef _CUDA_ALG_H_
#define _CUDA_ALG_H_
#include <iostream>
#include <stdio.h>
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
class CudaTest
{
public:
void run();
private:
};
#endif
cuda_alg.cu
#include "cuda_alg.h"
__global__ void helloWorldGPU(const int size)
{
const int n = blockDim.x * blockIdx.x + threadIdx.x;
if(n < size)
{
printf("hello world:%d\n", n);
}
}
void CudaTest::run()
{
helloWorldGPU<<<1, 8>>>(8);
cudaDeviceSynchronize();
}
CMakeLists.txt
cmake_minimum_required(VERSION 2.8 FATAL_ERROR)
project(test LANGUAGES CXX CUDA)
find_package(CUDA REQUIRED)
cuda_add_executable (${PROJECT_NAME}
main.cpp
cuda_alg.cu )
运行结果
user@user:~/test/test/cuda/build$ ./test
hello world:0
hello world:1
hello world:2
hello world:3
hello world:4
hello world:5
hello world:6
hello world:7