jetson中使用cuda

昨天分享了 cuda在ubuntu的安装和使用，今天在jetson nano上进行测试验证使用cuda。在jetson nano上安装使用cuda和ubuntu有所区别，所以写了这篇文章。

首先cuda使用上还是有cuda库直接调用和opencv cuda库调用，最后还有在jetson nano内置的CUDA Samples。当然我们也可以自己在网络下载，这是官方链接：https://github.com/NVIDIA/cuda-samples

cuda在jetson nano的镜像是默认安装了的，已安装版本是:

CUDA10.2，CUDNNv8，tensorRT，opencv4.1.1，python2，python3,tensorflow2.3，所以我们可以直接使用，不过oepncv的cuda库是没有的，需要我们进行安装，不过安装的方式和上一篇文章类似，不过是有些操作细节需要修改一下。

由于jetson nano上面已经自带了CUDA10.2，那么我们直接使用了哈。因为一些普通演示demo上篇文章就介绍过了，所以本次就写了 cuda在ubuntu的安装使用分享

#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include <stdio.h>
#include <iostream>

using namespace std;
int main()
{
 int deviceCount;
 cudaGetDeviceCount(&deviceCount);

 for (int i = 0; i < deviceCount; i++)
 {
  cudaDeviceProp devPro;
  cudaGetDeviceProperties(&devPro, i);
  cout << "使用GPU：" << i << endl;
  cout << "设备全局内存总量：" << devPro.totalGlobalMem << endl;
  cout << "SM的数量:" << devPro.multiProcessorCount << endl;
  cout << "每个线程块的共享内存大小：" << devPro.sharedMemPerBlock / 1024<< "KB" << endl;
  cout << "每个线程块的最大线程数：" << devPro.maxThreadsPerBlock << endl;
  cout << "一个线程块中可用的寄存器数：" << devPro.regsPerBlock << endl;
  cout << "每个EM的最大线程数：" << devPro.maxThreadsPerMultiProcessor << endl;
  cout << "每个EM的最大线束数：" << devPro.maxThreadsPerMultiProcessor / 32<< endl;
  cout << "设备上多处理器的数量：" << devPro.multiProcessorCount << endl;
 }

 getchar();
    return 0;
}

执行效果：

这是就是前言里面说到的cuda的例子，大家可以写cuda的代码时候，可以参考里面的范例。而在nano里面，JetPack系统将 CUDA 环境安装在 /usr/local/cuda 下面。

有人可能发现在 /usr/local 下面有 cuda 目录与 cuda-10.2 目录，两者的内容完全一样。事实上 cuda 这个目录是cuda-10.2软链接，实际的内容指向 cuda-10.2 这个目录。因为 JetPack 以后会更新 CUDA 版本，所有 cuda-10.2 可能会改变，于是就使用 cuda 软连接来确保一致性。

接下来进入 samples 目录

cd /usr/local/cuda/samples/，里面有早已经放置好的示例，但是都是没有编译的，当然我们可以在samples目录下直接使用sudo make -j4进行编译，但是实际上在我编译发现在主目录编译太费时间了，建议大家到各个子目录进行编译，然后验证。

在每个目录下面都有对应的子Makefile文件，大家到子目录make即可。例如：cd 5_Simulations/nbody/，(nbody 是粒子碰撞模拟，大家也可以到其他目录验证测试，因为这个 nbody 范例提供 GPU 与 CPU 的执行，可以让大家更清楚两者之间的性能差距) 然后 sudo make -j4

ls -l 大家就可以看到绿色编译好的可执行文件，这个时候我们就可以 sudo ./nbody 进行测试

这个范例默认是在 GPU 上执行，并且预设粒子数量为 1024 个。可以视窗头部看到一些性能相关的信息，包括：模拟粒子数是1024个、渲染性能的帧率、指令性能BIPS（每秒百万次）、计算机性能GFLPOS（单精度状态）。 此外在界面的左上角还有粒子大小、速度阻尼、软化系数、时间步长、集群规模、速度范围。

sudo ./nbody GPU跑的示意图

cpu执行的话是需要设置额外的参数 sudo ./nbody -cpu -numbodies=1024

CPU跑的示意图

将视窗头部的性能数据与前一个在 GPU 上执行的结果进行比较，可以几项性能都有10倍左右的差距，这效果就非常显而易见了。 这就是GPU使用的明显对比了哈。

这个和上一篇文件类似，也是要一些特殊的cmake选项，我执行编译的选项如下，大家把opencv_contrib-4.1.1替换成自己的目录即可。

cmake -D CMAKE_BUILD_TYPE=Release\
  -D ENABLE_CXX11=ON\
          -D CMAKE_INSTALL_PREFIX=/usr/local\
          -D WITH_CUDA=ON\
           -D CUDA_ARCH_BIN=${cuda_compute}\
           -D CUDA_ARCH_PTX=""\
           -D ENABLE_FAST_MATH=ON\
           -D CUDA_FAST_MATH=ON\
           -D WITH_CUBLAS=ON\
            -D WITH_LIBV4L=ON\
            -D WITH_GSTREAMER=ON\
             -D WITH_GSTREAMER_0_10=OFF\
             -D WITH_OPENGL=ON\
             -D CUDA_NVCC_FLAGS="--expt-relaxed-constexpr" \
             -D CUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-10.2\
             -D WITH_TBB=ON\
             -D OPENCV_EXTRA_MODULES_PATH=/home/jetson/lyn_work/opencv_contrib-4.1.1/modules          ../

不过这里我进行了先在我的ubuntu系统进行cmake 和make执行，把opencv-4.1.1和opencv_contrib-4.1.1两个文件夹打包拷贝到我的jetson nano编译。为什么这么做呢，因为遇到了一些编译错误，如下：

[ 98%] Linking CXX executable ../../bin/opencv_perf_xphoto
In file included from /home/jetson/lyn_work/opencv-4.1.1/modules/core/include/opencv2/core.hpp:54:0,
               from /home/jetson/lyn_work/opencv-4.1.1/modules/core/include/opencv2/core/cuda.hpp:51,
               from /home/jetson/lyn_work/opencv_contrib-4.1.1/modules/cudaoptflow/include/opencv2/cudaoptflow.hpp:50,
               from /home/jetson/lyn_work/opencv-4.1.1/build/modules/cudaoptflow/precomp.hpp:48:
/home/jetson/lyn_work/opencv-4.1.1/modules/core/include/opencv2/core/base.hpp:320:40: error: expected constructor, destructor, or type conversion before ‘(’ token
#define CV_Error( code, msg ) cv::error( code, msg, CV_Func, __FILE__, __LINE__ )

网上也有一些相似问题，不过经过自己对比log之后，发现是jetson上面网络不好，在编译opencv中，下载一些包，网络不太通畅，导致下载失败，最终导致的编译error。所以我在自己ubuntu系统（有梯子）下载好之后再进行编译。

-- data: Download: face_landmark_model.dat

在拷贝到jetson nano之后，解压两个文件夹，在opencv的build目录删除掉 cmake的缓存文件，rm CMakeCache.txt ，重新cmake ，这个时候重新编译就不需要重新下载依赖的包了。

编译完之后，我们就可以使用，测试方法还是和上一篇文章类似，这里我就不多赘述了，大家可以参考上一篇的内容。cuda在ubuntu的安装使用分享

这就是我自己的一些cuda在jetson nano的使用分享，下一篇我们聊聊cuda实际使用gpu加速和cpu使用的对比，以及它两使用场景分析。。如果大家有更好的想法和需求，也欢迎大家加我好友交流分享哈。