一、为什么要在CMake里折腾CUDA？

说实话，早些年做CUDA开发，大家都是手写Makefile。那时候的痛苦，我现在还记得——链接库路径写错一个字符，编译报错能找半小时。后来CMake从3.8版本开始原生支持CUDA，这事儿就简单多了。

你想想看，CMake能帮你自动找NVCC编译器、设置架构参数、处理依赖关系。说白了，就是把那些重复劳动交给工具去做。我个人习惯是：只要项目里有一行.cu文件，就立刻在CMakeLists.txt里开启CUDA支持。

二、核心操作：启用CUDA语言

2.1 最简单的写法

在CMakeLists.txt最顶部，加上这一行：

project(MyProject LANGUAGES CXX CUDA)

这就告诉CMake：我要用C++和CUDA两种语言。CMake会自动去找nvcc编译器。如果找不到，会报错提示你安装CUDA Toolkit。

2.2 指定CUDA架构

不同显卡的架构不一样。比如RTX 3090是sm_86，GTX 1080是sm_61。如果不指定，CMake会用默认值，但生成的代码可能跑不起来。

我一般这样写：

set(CMAKE_CUDA_ARCHITECTURES "61;75;86")

这表示生成三个架构的二进制代码。注意，这里写的是计算能力版本号，不是显卡型号。怎么查？去NVIDIA官网查你的显卡计算能力就行。

三、编译CUDA代码的两种方式

3.1 直接编译.cu文件

最简单的情况，你的.cu文件直接参与编译：

add_executable(myapp main.cpp kernel.cu)
target_link_libraries(myapp PRIVATE cuda)

CMake会自动调用nvcc编译.cu文件，然后和C++文件一起链接。这里要注意，cuda是CMake提供的导入库，包含了CUDA运行时和驱动库。

3.2 分离编译（推荐）

项目大了以后，我建议把CUDA代码单独编译成静态库：

# 创建CUDA库
add_library(cuda_kernels STATIC
    vector_add.cu
    matrix_mul.cu
)

# 设置CUDA架构
set_property(TARGET cuda_kernels PROPERTY CUDA_ARCHITECTURES "61;75;86")

# 主程序链接
add_executable(myapp main.cpp)
target_link_libraries(myapp PRIVATE cuda_kernels cuda)

这样做的好处很明显：CUDA代码和C++代码的编译选项互不干扰。比如CUDA部分需要-arch=sm_86，而C++部分需要-O3，分开写更清晰。

四、核心知识体系

我把整个流程画了张图，方便你理解：

五、常见问题与避坑指南

5.1 NVCC找不到

如果你装了CUDA但CMake还是报找不到nvcc，八成是环境变量没配好。检查一下：

# Linux/macOS
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

# Windows
# 把 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\bin 加到PATH

我个人习惯在CMake里加个判断：

if(NOT CMAKE_CUDA_COMPILER)
    message(FATAL_ERROR "CUDA编译器未找到！请检查CUDA Toolkit安装。")
endif()

5.2 架构写错导致运行时崩溃

这是最隐蔽的问题。编译能通过，但一运行就崩。我曾经在部署时吃过这个亏——开发机是RTX 3080，部署机是T4，忘了改架构参数，结果现场调试了两小时。

我的建议是：

• 开发阶段用 CMAKE_CUDA_ARCHITECTURES "native" 自动检测当前显卡
• 发布阶段手动指定目标架构列表

5.3 混合编译的链接错误

当C++和CUDA代码互相调用时，记得把CUDA库链接上：

target_link_libraries(myapp PRIVATE cuda cudart)

如果用了cuBLAS、cuFFT等库，也要显式链接：

target_link_libraries(myapp PRIVATE cublas cufft)

六、一个完整的实战例子

下面是一个完整的CMakeLists.txt，包含了上面讲的所有要点：

cmake_minimum_required(VERSION 3.18)
project(CUDAExample LANGUAGES CXX CUDA)

# 设置C++标准
set(CMAKE_CXX_STANDARD 17)
set(CMAKE_CXX_STANDARD_REQUIRED ON)

# 设置CUDA架构（覆盖三代主流）
set(CMAKE_CUDA_ARCHITECTURES "61;75;86")

# 开启CUDA可分离编译（提高大项目编译速度）
set(CMAKE_CUDA_SEPARABLE_COMPILATION ON)

# 创建CUDA库
add_library(cuda_ops STATIC
    src/vector_add.cu
    src/matrix_mul.cu
)

# 设置CUDA库的编译选项
target_compile_options(cuda_ops PRIVATE
    $<$<COMPILE_LANGUAGE:CUDA>:--use_fast_math>
)

# 创建主程序
add_executable(cuda_demo
    src/main.cpp
)

# 链接
target_link_libraries(cuda_demo PRIVATE
    cuda_ops
    cuda
    cudart
)

# 安装
install(TARGETS cuda_demo DESTINATION bin)

这个例子涵盖了：语言声明、架构设置、分离编译、编译选项、链接依赖。你直接拿去改改就能用。

七、总结

CMake对CUDA的支持已经非常成熟了。说白了就三步：声明语言、设置架构、编译链接。但细节决定成败——架构参数写错、链接库漏掉、环境变量没配，这些坑我都踩过。

最后送你一句话：能用工具解决的问题，别用手工解决。 CMake帮你管好CUDA编译，你就能把精力放在算法优化上，这才是正道。