CUDA调试工具cuda-gdb，包含一个可以在CUDA中检测和调试内存错误的内存检查特性。该文档描述了这个名为cuda-memcheck的工具与它的功能。 NVIDIA用它强大的cuda-gdb硬件调试器简化了CUDA程序错误的调试。然而，每个程序员总会遇到难以检测到的内存相关错误，并花大量时间去调试。当处理上千条线程时，内存相关的错误的数量会明显增加。cuda-memcheck就是设计用来检测你的CUDA程序中这种内存存取错误的工具。

对应文章https://blog.csdn.net/taifyang/article/details/128089699

VS2019+CUDA11.1 Release x64编译的OpenCV4.5.5（带CUDA和contrib模块）

tensorflow gpu - TensorFlow, CUDA and cuDNN Compatibility - 兼容版本 TensorFlow 是一个开源库，可帮助您构建机器学习和深度学习模型。它被研究人员和组织广泛用于智能应用程序库。 您在深度学习中开发的每个模型都需要性能良好的 GPU 支持环境。要在 GPU 上运行模型，我们需要在系统中安装 CUDA 和 cuDNN 驱动程序。 截至目前，TensorFlow、CUDA 和 cuDNN 有很多可用版本，这可能会使开发人员或初学者感到困惑，无法选择正确的兼容组合来构建他们的开发环境。 下表列出了 CUDA、cuDNN 与 TensorFlow 的兼容版本。此列表是参考**[此处](https://www.tensorflow.org/install/source_windows)**共享的构建配置制定的。

使 CUDA 代码在 CPU 上无缝运行的库和头文件。 使用 cuda4cpu 在包含 CUDA 代码的源文件中包含cuda4hpc.hpp文件： # include < cuda4hpc> 使用cuda4hpc命名空间覆盖 CUDA 关键字和类型： using namespace cuda4hpc ; 使用launch函数而不是 CUDA <<<...>>>符号来启动 cuda 内核。 它返回一个临时对象，您必须使用它来传递内核参数： launch (my_cuda_kernel, grid, block)(arguments...); 使用 C++11 编译您的代码： g++ -o object_file -c source_file -std=c++11 将您的程序与libcuda4cpu链接： g++ -o my_app object_files

CUDA并行程序设计：GPU编程指南共分为12章。 第1章 超级计算简史 第2章 使用GPU理解并行计算 第3章 CUDA硬件概述 第4章 CUDA环境搭建 第5章 线程网格、线程块以及线程 第6章 CUDA内存处理 第7章 CUDA实践之道 第8章 多CPU和多GPU解决方案 第9章 应用程序性能优化 第10章 函数库和SDK 第11章 规划GPU硬件系统 第12章 常见问题、原因及解决方案

Win11系统/RTX30系列显卡——安装gpu版pytorch完整教程

cuda9 win10 64位及其cudnn，资源放的是百度网盘链接，大家可以采用pandownload等工具快速下载

win10下搭建Mask Rcnn环境详细教程并运行第一个demo程序（包含Anaconda+Tensorflow-gpu+Cuda+cuDnn安装过程及各种坑）-附件资源

简单安装cuda：ubuntu16.04安装cuda9.0，cudnn7.4-附件资源