编译pytorch——cuda-toolkit-nvcc

链接

https://blog.csdn.net/wjinjie/article/details/108997692
https://docs.nvidia.com/cuda/cuda-installation-guide-linux/#switching-between-driver-module-flavors
https://forums.developer.nvidia.com/t/can-not-load-nvidia-drivers-on-ubuntu-22-10/239750
https://blog.csdn.net/WCH_TechGroup/article/details/134943308
https://linuxconfig.org/how-to-install-the-nvidia-drivers-on-ubuntu-22-04
https://kimi.moonshot.cn/chat/cu3k0v495ebbjepepv70

ubuntu22.04-nvidia

ubuntu22.04安装时添加Nvidia显卡驱动，仍然显示
查看

$ nvidia-smi
NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.

查看nvcc

$ nvcc -V
找不到命令 “nvcc”，但可以通过以下软件包安装它：
sudo apt install nvidia-cuda-toolkit

安装后

cuda

CUDA（Compute Unified Device Architecture）是NVIDIA推出的一种并行计算平台和编程模型，允许开发者使用NVIDIA GPU（图形处理单元）进行通用计算任务。CUDA通过提供一系列的API和工具，使得开发者能够编写在GPU上高效运行的程序，从而显著提高计算密集型任务的性能。
CUDA的核心概念

GPU架构：
    CUDA程序运行在NVIDIA的GPU上，这些GPU具有高度并行的架构，能够同时处理成千上万个线程。每个GPU由多个SM（Streaming Multiprocessor）组成，每个SM又包含多个CUDA核心。
线程和线程块：
    CUDA程序中的计算任务被分解为多个线程（thread）。线程被组织成线程块（block），线程块又被组织成网格（grid）。线程块内的线程可以协作完成任务，而网格中的线程块则独立运行。
内存层次结构：
    CUDA提供了多种内存类型，包括全局内存（global memory）、共享内存（shared memory）、寄存器（register）和常量内存（constant memory）。开发者需要合理管理这些内存，以优化程序性能。
CUDA核心和指令：
    CUDA核心是GPU的基本计算单元，能够执行简单的算术和逻辑操作。CUDA程序中的指令被编译成GPU能够理解的指令集，由CUDA核心执行。

CUDA程序的结构
CUDA程序通常包含两部分：主机代码（host code）和设备代码（device code）。

主机代码：
    主机代码运行在CPU上，负责初始化GPU、分配内存、传输数据、启动设备代码（kernel）和同步设备操作。主机代码通常使用C或C++编写。
设备代码（Kernel）：
    设备代码是运行在GPU上的并行计算任务，通常用__global__关键字修饰。Kernel函数由主机代码调用，并在GPU上并行执行。每个线程执行一次Kernel函数。

cuda-toolkit

CUDA Toolkit 是 NVIDIA 提供的一套开发工具和库，用于在 NVIDIA GPU 上进行并行计算。它为开发者提供了一系列的工具和API，使得开发者能够编写、编译、调试和优化在 GPU 上运行的 CUDA 程序。以下是 CUDA Toolkit 的主要功能和组成部分：

编译器和构建工具
nvcc：CUDA 编译器驱动程序，用于编译 CUDA 源代码（.cu 文件）并生成可执行文件或中间文件。
CUDA 构建工具：包括链接器、归档器等，用于构建复杂的 CUDA 项目。
运行时库
libcudart：CUDA 运行时库，提供了 CUDA 程序运行时所需的基本功能，如内存管理、设备管理、流和事件等。
libcudadevrt：CUDA 设备运行时库，提供了设备端的运行时支持。
数学和科学计算库
cuBLAS：CUDA 基本线性代数子程序库，提供了高效的线性代数运算，如矩阵乘法、向量运算等。
cuFFT：CUDA 快速傅里叶变换库，用于高效的傅里叶变换计算。
cuRAND：CUDA 随机数生成库，提供了多种随机数生成算法。
cuSOLVER：CUDA 稀疏线性代数库，用于解决稀疏线性系统和特征值问题。
cuSPARSE：CUDA 稀疏矩阵运算库，提供了高效的稀疏矩阵运算。
调试和分析工具
cuda-gdb：CUDA 调试器，用于调试 CUDA 程序，支持单步执行、断点设置、变量查看等功能。
nsight：NVIDIA 的性能分析工具，用于分析和优化 CUDA 程序的性能。
cuda-memcheck：内存检查工具，用于检测 CUDA 程序中的内存错误，如内存泄漏、越界访问等。
其他工具和库
NVIDIA Management Library (NVML)：用于管理和监控 NVIDIA GPU 设备的库。
CUDA Samples：提供了一系列示例程序，帮助开发者快速上手 CUDA 编程。
CUDA Documentation：详细的文档和编程指南，帮助开发者理解和使用 CUDA Toolkit。
主要用途
高性能计算：
CUDA Toolkit 使开发者能够利用 NVIDIA GPU 的并行计算能力，显著提高计算密集型任务的性能。例如，物理模拟、气象预测、分子动力学模拟等。
机器学习和深度学习：
许多深度学习框架（如 TensorFlow、PyTorch）依赖 CUDA Toolkit 提供的高性能计算支持，加速神经网络的训练和推理过程。
图像和视频处理：
CUDA Toolkit 提供的库和工具可以用于实时图像处理、视频编码和解码，提高处理效率和性能。
数据分析：
大规模数据处理和分析任务可以利用 CUDA Toolkit 的并行计算能力，加速数据处理和分析过程。

nvcc

nvcc（NVIDIA CUDA Compiler Driver）是NVIDIA提供的CUDA编译器驱动程序，用于编译和链接CUDA代码。CUDA（Compute Unified Device Architecture）是NVIDIA推出的并行计算平台和编程模型，允许开发者使用NVIDIA GPU进行通用计算任务。
主要功能

编译CUDA源代码：
nvcc可以将CUDA源代码（.cu文件）编译成中间表示（IR）或直接编译成GPU可执行的二进制代码。
例如，编译一个简单的CUDA程序hello_world.cu：

nvcc hello_world.cu -o hello_world

链接CUDA对象文件：
nvcc可以链接多个CUDA对象文件（.o文件）生成可执行文件。
例如，链接多个对象文件：

nvcc -o my_program file1.o file2.o

支持多种编译选项：
nvcc提供了丰富的编译选项，用于优化代码、指定GPU架构、生成调试信息等。
例如，指定GPU架构（如sm_80表示Ampere架构）：

nvcc -arch=sm_80 hello_world.cu -o hello_world

与主机编译器集成：
nvcc可以与主机编译器（如gcc、clang）集成，编译主机代码部分。
例如，编译包含主机代码和CUDA代码的程序：

nvcc -Xcompiler -fPIC hello_world.cu -o hello_world

基本用法
编译CUDA源文件：

nvcc -o output_file source_file.cu

编译并链接多个源文件：

nvcc -o output_file source1.cu source2.cu

生成中间文件：

nvcc -dc source_file.cu  # 生成.ptx文件
nvcc -dlink source_file.o -o output_file  # 链接.ptx文件

指定GPU架构：

nvcc -arch=sm_80 source_file.cu -o output_file  # 指定Ampere架构

生成调试信息：

nvcc -g -G source_file.cu -o output_file  # 生成调试信息

常见编译选项
-arch：指定GPU架构（如sm_35、sm_80）。
-o：指定输出文件名。
-dc：仅编译CUDA源文件，生成中间文件（.o）。
-dlink：链接中间文件生成可执行文件。
-g、-G：生成调试信息。
-Xcompiler：传递编译器选项给主机编译器。
示例
假设你有一个简单的CUDA程序hello_world.cu，内容如下：

#include <stdio.h>

__global__ void helloFromGPU() {
    printf("Hello World from GPU!\n");
}

int main() {
    printf("Hello World from CPU!\n");
    helloFromGPU<<<1, 1>>>();
    cudaDeviceSynchronize();
    return 0;
}

你可以使用以下命令编译并运行这个程序：

nvcc -o hello_world hello_world.cu
./hello_world

输出结果应该是：

Hello World from CPU!
Hello World from GPU!

通过这些步骤，你可以使用nvcc编译和运行CUDA程序，充分利用NVIDIA GPU的强大计算能力。