CUDA Samples 快速上手指南：在自己机器上跑通第一个 GPU 示例

CUDA Samples 快速上手指南：在自己机器上跑通第一个 GPU 示例

【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 官方的开源示例代码库，当前版本配套 CUDA Toolkit 13.3，包含 100 多个 C++ 示例和 30 个 Python 示例，覆盖 kernel 编写、纹理内存、多 GPU 通信等主题。这篇文章按"编译 → 运行 → 改造"的顺序带你把示例跑起来，再挑一个典型例子讲怎么读、怎么改成自己的代码。

第一步：三条命令在 Linux 上完成构建

前提只有两个：装好 CUDA Toolkit（终端执行nvcc --version能看到版本号即可），以及 CMake 3.20 以上。先拿到代码：

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

然后在仓库根目录：

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

根目录的CMakeLists.txt里把CMAKE_CUDA_ARCHITECTURES固定为75 80 86 87 89 90 100 110 120，也就是说默认只为这些 SM 版本生成 kernel，编译时间不会太长。Windows 上则在 Visual Studio 自带的 "x64 Native Tools Command Prompt" 里执行cmake .. -G "Visual Studio 16 2019" -A x64，再打开生成的CUDA_Samples.sln按 F7 构建。

构建完成后，可执行文件散落在build/cpp/<分类>/<示例名>/下；执行make install会把它们集中到build/bin/x64/linux/release。

构建完成后，先跑 deviceQuery

第一个要运行的程序是 cpp/1_Utilities/deviceQuery/。它调用 Driver API 的cuDeviceGetAttribute和 Runtime API 的cudaGetDeviceProperties，枚举系统里所有支持 CUDA 的 GPU，打印设备名、显存大小、计算能力、时钟频率等属性。

./build/cpp/1_Utilities/deviceQuery/deviceQuery

正常的输出末尾会出现类似cudaGetLastError() after cudaDeviceReset = no error的字样，说明你的驱动和运行时都能正常工作。如果程序启动即报错，通常是显卡驱动版本低于 Toolkit 要求，先升级驱动再谈编译问题。

不想编译 C++？试试 Python 示例

从 CUDA 13.2 版本开始，仓库新增了一棵python/目录树，共 30 个示例，基于cuda.core（CUDA Python）编写，分四类：1_GettingStarted、2_CoreConcepts、3_FrameworkInterop（PyTorch/TensorFlow 互操作）、4_DistributedComputing（多 GPU 与 IPC）。

这些 Python 示例不走 CMake 构建，直接进目录跑：

cd python/1_GettingStarted/vectorAdd pip install -r requirements.txt python vectorAdd.py

requirements.txt里钉住了cuda-python>=13.0.0、cupy-cuda13x、numpy>=2.3.2，要求 Python 3.10 以上。vectorAdd.py用字符串形式写出 kernel 源码，运行时编译并启动向量加法核，跑完会打印 C = A + B 的校验结果，对习惯脚本写法的同学来说门槛最低。

遇到编译报错，先看这三处

nvcc 找不到。根CMakeLists.txt里有一行find_package(CUDAToolkit REQUIRED)，找不到就停在配置阶段。先确认/usr/local/cuda在PATH里；如果你的场景是新 Toolkit 配旧驱动（如 13.0 工具配 550 以下内核驱动），按 README 的说法加上-DCMAKE_PREFIX_PATH=/usr/local/cuda/lib64/stubs/使用 forward compatibility 模式。

单个示例失败、其余正常。用make -j$(nproc) --ignore-errors继续构建，日志里能看到具体哪个目录挂了；也可以按 README 的示例，把父级CMakeLists.txt里对应的add_subdirectory行注释掉跳过。

依赖库缺失。5_Domain_Specific下的simpleGL、bilateralFilter这类示例依赖 OpenGL、Freeglut、GLEW，部分还需要显示器输出，无图形界面的服务器上会直接失败，这属于预期行为。

跑起来之后怎么读：以 vectorAdd 为例

读源码建议从 cpp/0_Introduction/vectorAdd/ 开始，它就是这个仓库版的"Hello World"：cudaMalloc分配设备内存，cudaMemcpy拷入向量 A 和 B，按元素各起一个线程计算 C = A + B，结果拷回主机后与 CPU 结果比对。该目录的README.md列出了用到的全部 API：cudaMemcpy、cudaGetErrorString、cudaFree、cudaGetLastError、cudaMalloc。

想写自己的代码时，把整个目录拷走，只改 kernel 内部逻辑，保留"分配 → 拷贝 → 启动 → 校验"的骨架即可。Common/目录里的helper_cuda.h、nvVector.h等工具头文件已被各示例引用，可以直接复用。

下一步：按目录挑你要的主题

cpp/目录分成 9 段编号：2_Concepts_and_Techniques里有reduction、scan、convolutionTexture、dct8x8等经典手法；3_CUDA_Features集中了 Tensor Core GEMM（cudaTensorCoreGemm等 4 种精度）、CUDA Graphs、CDP 设备侧启动；4_CUDA_Libraries是库的用法参考，如cubDeviceFind、nvJPEG、simpleCUFFT；5_Domain_Specific则给出完整应用，比如bilateralFilter（下图即其输入图片，滤波后边缘保持得更好）、marchingCubes、nbody。

想批量验证所有示例是否都能跑通，仓库根目录提供了run_tests.py，配合test_args.json里的参数配置：

python3 run_tests.py --dir ./build/cpp --config test_args.json --output ./test --parallel 8

现在你可以做的三件事：跑一遍deviceQuery确认驱动正常；把vectorAdd拷一份，把加法改成你要的运算；然后从2_Concepts_and_Techniques里挑一个和你项目最接近的示例开始读源码。

【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