1.如何在MFC中调用CUDA
2.如何使用cudaMallocPitch和cudaMemcpy2D

如何在MFC中调用CUDA

       æœ‰æ—¶å€™ï¼Œæˆ‘们需要在比较大的项目中调用CUDA，这就涉及到MFC+CUDA的环境配置问题，以矩阵相乘为例，在MFC中调用CUDA程序。我们参考罗振东iylzd@.com（国防科学技术大学计算机学院）的方法。

       çŽ¯å¢ƒï¼š Windows 7 SP1

        Microsoft Visual Studio

        CUDA 5.0

       æ­¥éª¤ï¼š

       1.首先建立一个空的名叫Matrix Multiplication_KahanMFC的“FCM应用程序”项目：

       ç‚¹å‡»â€œç¡®å®šâ€ï¼Œè¿™æ—¶å¼¹å‡ºå¦‚下窗口

       æˆ‘们需要对默认项目进行一些修改，点击“下一步”，我们设置一个空的MFC项目，选择“单个文档”和“MFC标准”：

       ç‚¹å‡»â€œå®Œæˆâ€ã€‚

       2.创建CUDA的调用接口函数及其头文件

        （1）头文件

        “添加”--> “新建项”-->“Visual C++”-->“头文件（.h）”-->“名称”-->“CUDA_Transfer.h” -->“添加”，如下图：

       åœ¨CUDA_Transfer.h中添加如下代码：

       //CUDA_Transfer.h

       #include

       #include "math.h"

       using namespace std;

       int run_cuda(float* GPU,mysql堆排序源码 float* CPU);

       å¦‚下图所示：

       ï¼ˆ2）函数

        按照和增加头文件相似的方法，添加函数。“添加”--> “新建项”-->“Visual C++”-->“C++文件（.cpp）” -->“名称”-->“CUDA_Transfer.cpp” -->“添加”，如下图：

       åœ¨CUDA_Transfer.cpp中添加如下代码：

       //CUDA_Transfer.cpp

       #include "CUDA_Transfer.h"

       #include "stdafx.h"

       extern "C" int runtest(float* GPU, float* CPU);

       int run_cuda(float* GPU, float* CPU)

       {

        runtest(GPU,CPU);

        return 0;

       }

       å¦‚下图所示：

       éœ€è¦æ³¨æ„çš„是在MFC的文件中是不能包含（include）.cu文件的，会报错，所以我们使用extern "C"的方式来实现函数的调用。

       3. 创建存放cuda 代码的筛选器，名为CUDA

        “添加”--> “新建筛选器”，重命名为CUDA

       4. 在筛选器CUDA中创建一个CUDA源代码文件，kernel.cu。

        我们直接把已经写好的矩阵相乘的程序kernel.cu复制到项目目录下，添加到CUDA筛选器中去。

        添加”--> “现有项”-->“kernel.cu”--> “添加”：

       æŠŠkernel.cu的int main()函数改为extern "C" int runtest(float* GPU, float* CPU)，两个参数用来获得GPU和CPU计算所使用的时间，单位为毫秒。

       5. 右击项目-->“生成自定义”：

       åœ¨å¼¹å‡ºçš„窗口中勾选CUDA 5.0(.target,.props)。如果使用其他版本的CUDA，就勾选对应的版本：

       ç‚¹å‡»â€œç¡®å®šâ€ã€‚

       6. 修改 kernel.cu的编译链接设置

        在解决方案资源管理器中右击kernel.cu文件-->“属性”，在弹出窗口中-->“常规”-->“项类型”的下拉列表中选择

       ç‚¹å‡»â€œåº”用”后，“常规”下方会出现一个“CUDA C/C++”的设置，没有特殊需求，不需要修改，点击“确定”。

       7.修改工程设置。

        工程设置需要修改“链接器”-->“输入”-->“附加依赖项”和“生成事件”-->“预先生成事件”-->“命令行”。需要设置的参数比较多，我们采用比较简单的方法。

        我们新建一个空的CUDA项目，在这个空CUDA项目的项目属性中找到“链接器”-->“输入”-->“附加依赖项”，把“附加依赖项”中所包含的项复制到我们的MFC项目中：

       æŒ‰ç…§åŒæ ·çš„方法，设置“生成事件”-->“预先生成事件”-->“命令行”：

       è®¾ç½®å®ŒæˆåŽï¼Œç‚¹å‡»â€œç¡®å®šâ€ã€‚

       8.修改MFC文件，完成调用。

        我们需要在MFC中调用CUDA程序，显示出GPU和CPU计算两个*矩阵相乘所消耗的时间。

        在Matrix Multiplication_KahanMFCView.cpp中包含（include）"CUDA_Transfer.h"

       æ–‡ä»¶ï¼›åœ¨CMatrixMultiplication_KahanMFCView::OnDraw(CDC* pDC)中添加如下代码：

        float GPU;

        float CPU;

        run_cuda(&GPU, &CPU);

        CString strGPU,strCPU;

        strGPU.Format(_T("GPU:%f \n"),GPU);

        strCPU.Format(_T("CPU:%f \n"),CPU);

        pDC->TextOut(0,0,strGPU);

        pDC->TextOut(0,,strCPU);

       å¦‚图所示：

       ç„¶åŽé‡æ–°ç”Ÿæˆè§£å†³æ–¹æ¡ˆï¼Œè¿è¡Œã€‚

        计算要花费一些时间，需要等待，测试的时候可以把矩阵大小改小一些。因为把程序加到了OnDraw中，所以每当刷新窗口时候（例如调整窗口大小时），都会调用。由于计算耗时比较长，窗口看起来会像无响应一样，等计算完成就好了。

        运行的结果如下：

       åœ¨çŸ©é˜µæ¯”较大的情况下，GPU的加速效果明显，GPU耗时只需要ms，而CPU需要ms，要花费将近倍的时间。

如何使用cudaMallocPitch和cudaMemcpy2D

       æœ‰æ—¶å€™ï¼Œæˆ‘们需要在比较大的项目中调用CUDA，这就涉及到MFC+CUDA的环境配置问题，以矩阵相乘为例，在MFC中调用CUDA程序。我们参考罗振东iylzd@.com（国防科学技术大学计算机学院）的方法。

       çŽ¯å¢ƒï¼š Windows 7 SP1

       Microsoft Visual Studio

       CUDA 5.0

       æ­¥éª¤ï¼š

       1.首先建立一个空的名叫Matrix Multiplication_KahanMFC的“FCM应用程序”项目：

       ç‚¹å‡»â€œç¡®å®šâ€ï¼Œè¿™æ—¶å¼¹å‡ºå¦‚下窗口

       æˆ‘们需要对默认项目进行一些修改，点击“下一步”，我们设置一个空的MFC项目，选择“单个文档”和“MFC标准”：

       ç‚¹å‡»â€œå®Œæˆâ€ã€‚

       2.创建CUDA的调用接口函数及其头文件

       ï¼ˆ1）头文件

       â€œæ·»åŠ â€--> “新建项”-->“Visual C++”-->“头文件（.h）”-->“名称”-->“CUDA_Transfer.h” -->“添加”，如下图：

       åœ¨CUDA_Transfer.h中添加如下代码：

       //CUDA_Transfer.h

       #include

       #include "math.h"

       using namespace std;

       int run_cuda(float* GPU, float* CPU);

       å¦‚下图所示：

       ï¼ˆ2）函数

       æŒ‰ç…§å’Œå¢žåŠ å¤´æ–‡ä»¶ç›¸ä¼¼çš„方法，添加函数。“添加”--> “新建项”-->“Visual C++”-->“C++文件（.cpp）” -->“名称”-->“CUDA_Transfer.cpp” -->“添加”，如下图：

       åœ¨CUDA_Transfer.cpp中添加如下代码：

       //CUDA_Transfer.cpp

       #include "CUDA_Transfer.h"

       #include "stdafx.h"

       extern "C" int runtest(float* GPU, float* CPU);

       int run_cuda(float* GPU, float* CPU)

       {

       runtest(GPU,CPU);

       return 0;

       }

       å¦‚下图所示：

       éœ€è¦æ³¨æ„çš„是在MFC的文件中是不能包含（include）.cu文件的，会报错，所以我们使用extern "C"的方式来实现函数的调用。

       3. 创建存放cuda 代码的筛选器，名为CUDA

       â€œæ·»åŠ â€--> “新建筛选器”，重命名为CUDA

       4. 在筛选器CUDA中创建一个CUDA源代码文件，kernel.cu。

       æˆ‘们直接把已经写好的矩阵相乘的程序kernel.cu复制到项目目录下，添加到CUDA筛选器中去。

       æ·»åŠ â€--> “现有项”-->“kernel.cu”--> “添加”：

       æŠŠkernel.cu的int main()函数改为extern "C" int runtest(float* GPU, float* CPU)，两个参数用来获得GPU和CPU计算所使用的时间，单位为毫秒。

       5. 右击项目-->“生成自定义”：

       åœ¨å¼¹å‡ºçš„窗口中勾选CUDA 5.0(.target,.props)。如果使用其他版本的CUDA，就勾选对应的版本：

       ç‚¹å‡»â€œç¡®å®šâ€ã€‚

       6. 修改 kernel.cu的编译链接设置

       åœ¨è§£å†³æ–¹æ¡ˆèµ„源管理器中右击kernel.cu文件-->“属性”，在弹出窗口中-->“常规”-->“项类型”的下拉列表中选择

       ç‚¹å‡»â€œåº”用”后，“常规”下方会出现一个“CUDA C/C++”的设置，没有特殊需求，不需要修改，点击“确定”。

       7.修改工程设置。

       å·¥ç¨‹è®¾ç½®éœ€è¦ä¿®æ”¹â€œé“¾æŽ¥å™¨â€-->“输入”-->“附加依赖项”和“生成事件”-->“预先生成事件”-->“命令行”。需要设置的参数比较多，我们采用比较简单的方法。

       æˆ‘们新建一个空的CUDA项目，在这个空CUDA项目的项目属性中找到“链接器”-->“输入”-->“附加依赖项”，把“附加依赖项”中所包含的项复制到我们的MFC项目中：

       æŒ‰ç…§åŒæ ·çš„方法，设置“生成事件”-->“预先生成事件”-->“命令行”：

       è®¾ç½®å®ŒæˆåŽï¼Œç‚¹å‡»â€œç¡®å®šâ€ã€‚

       8.修改MFC文件，完成调用。

       æˆ‘们需要在MFC中调用CUDA程序，显示出GPU和CPU计算两个*矩阵相乘所消耗的时间。

       åœ¨Matrix Multiplication_KahanMFCView.cpp中包含（include）"CUDA_Transfer.h"

       æ–‡ä»¶ï¼›åœ¨CMatrixMultiplication_KahanMFCView::OnDraw(CDC* pDC)中添加如下代码：

       float GPU;

       float CPU;

       run_cuda(&GPU, &CPU);

       CString strGPU,strCPU;

       strGPU.Format(_T("GPU:%f \n"),GPU);

       strCPU.Format(_T("CPU:%f \n"),CPU);

       pDC->TextOut(0,0,strGPU);

       pDC->TextOut(0,,strCPU);

       å¦‚图所示：

       ç„¶åŽé‡æ–°ç”Ÿæˆè§£å†³æ–¹æ¡ˆï¼Œè¿è¡Œã€‚

       è®¡ç®—要花费一些时间，需要等待，测试的时候可以把矩阵大小改小一些。因为把程序加到了OnDraw中，所以每当刷新窗口时候（例如调整窗口大小时），都会调用。由于计算耗时比较长，窗口看起来会像无响应一样，等计算完成就好了。

       è¿è¡Œçš„结果如下：

       åœ¨çŸ©é˜µæ¯”较大的情况下，GPU的加速效果明显，GPU耗时只需要ms，而CPU需要ms，要花费将近倍的时间。