C++中GPU编程主要通过CUDA和C++ AMP实现。1. CUDA由NVIDIA推出，需使用nvcc编译器，在.cu文件中编写kernel函数，通过cudaMalloc分配显存，cudaMemcpy传输数据，配置grid和block启动并行计算。2. C++ AMP是微软提供的库，基于DirectX 11，仅支持Windows平台，使用array_view自动管理内存，parallel_for_each执行并行任务，语法更贴近现代C++。3. CUDA适用于高性能、底层优化场景，生态丰富；C++ AMP适合快速开发，简化内存管理。4. 示例均为向量加法，体现数据准备、传输、并行执行和结果回收流程。5. 掌握其一后可深入学习共享内存、流式处理等高级特性以提升性能。
在C++中进行GPU编程，主要可以通过两种主流技术实现：NVIDIA的CUDA和微软推出的C++ AMP（Accelerated Massive Parallelism）。两者都允许开发者利用GPU的强大并行计算能力来加速数值密集型任务。下面分别介绍它们的基本使用方法和入门要点。
CUDA 编程入门
CUDA是NVIDIA推出的并行计算平台和编程模型，只能在NVIDIA GPU上运行。它扩展了C/C++语言，允许开发者编写在GPU上执行的函数（称为kernel）。
基本步骤：
- 安装CUDA Toolkit（需配备支持CUDA的NVIDIA显卡和驱动）
- 使用.cu作为源文件扩展名，并用nvcc编译器编译
- 在代码中分配主机（CPU）和设备（GPU）内存
- 将数据从主机复制到设备
- 启动kernel函数在GPU上并行执行
- 将结果从设备复制回主机
示例：向量加法
立即学习“C++免费学习笔记（深入）”；
#include <cuda_runtime.h>
#include <iostream>
<p><strong>global</strong> void add(int<em> a, int</em> b, int<em> c, int n) {
int idx = blockIdx.x </em> blockDim.x + threadIdx.x;
if (idx < n) {
c[idx] = a[idx] + b[idx];
}
}</p><p>int main() {
const int n = 1024;
size_t bytes = n * sizeof(int);</p><pre class='brush:php;toolbar:false;'>int *h_a = new int[n], *h_b = new int[n], *h_c = new int[n];
int *d_a, *d_b, *d_c;
// 分配GPU内存
cudaMalloc(&d_a, bytes);
cudaMalloc(&d_b, bytes);
cudaMalloc(&d_c, bytes);
// 初始化输入数据
for (int i = 0; i < n; ++i) {
h_a[i] = i;
h_b[i] = i * 2;
}
// 主机到设备数据传输
cudaMemcpy(d_a, h_a, bytes, cudaMemcpyHostToDevice);
cudaMemcpy(d_b, h_b, bytes, cudaMemcpyHostToDevice);
// 配置kernel执行参数
int blockSize = 256;
int gridSize = (n + blockSize - 1) / blockSize;
add<<<gridSize, blockSize>>>(d_a, d_b, d_c, n);
// 设备到主机拷贝结果
cudaMemcpy(h_c, d_c, bytes, cudaMemcpyDeviceToHost);
// 清理资源
delete[] h_a; delete[] h_b; delete[] h_c;
cudaFree(d_a); cudaFree(d_b); cudaFree(d_c);
return 0;}
C++ AMP 入门
C++ AMP是微软为简化GPU编程而设计的C++库，集成在Visual Studio中，仅支持Windows平台和DirectX 11兼容的GPU。它基于现代C++语法，无需额外编译器，使用标准C++编译即可。
核心概念：
- array_view：提供对数据的视图，自动管理主机与设备间的数据传输
- parallel_for_each：启动并行计算，指定执行范围和kernel逻辑
- extent：定义多维索引空间
示例：向量加法（C++ AMP）
#include <amp.h>
#include <vector>
#include <iostream>
<p>using namespace concurrency;</p><p>int main() {
const int n = 1024;
std::vector<int> a(n), b(n), c(n);</p><pre class='brush:php;toolbar:false;'>// 初始化数据
for (int i = 0; i < n; ++i) {
a[i] = i;
b[i] = i * 2;
}
// 创建array_view（延迟传输）
array_view<const int, 1> av(n, a);
array_view<const int, 1> bv(n, b);
array_view<int, 1> cv(n, c);
// 并行计算
parallel_for_each(cv.extent, [=](index<1> idx) restrict(amp) {
cv[idx] = av[idx] + bv[idx];
});
// 强制同步获取结果
cv.synchronize();
return 0;}
注意：C++ AMP中的restrict(amp)表示该代码块只能使用AMP支持的语法和类型。
选择建议
- 若使用NVIDIA GPU且追求高性能、广泛生态（如深度学习框架），选择CUDA更合适
- 若在Windows平台开发，希望快速集成且避免复杂内存管理，C++ AMP更简洁
- CUDA功能更强大、控制更精细，适合底层优化；C++ AMP更接近现代C++风格，易上手
基本上就这些。掌握任一技术后，可进一步学习内存优化、共享内存、流处理等高级特性。异构计算虽有一定门槛，但合理使用能显著提升程序性能。
