第1章：CUDA开发环境搭建
说实话，很多做量化策略的朋友，一开始都觉得CUDA环境搭建是个麻烦事。我当年第一次搞的时候，也踩了不少坑。但你想啊，回测效率提升几十倍甚至上百倍，这点前期投入绝对值得。
这一章，我就带你一步步把环境搭好。从驱动到工具包，再到验证，一条龙搞定。
1.1 硬件准备：你得有块NVIDIA显卡
这是前提。没有显卡，后面都白搭。我个人建议，做量化回测的话，至少搞一块RTX 3060起步。显存8GB以上，算力够用，性价比也高。
你可以在命令行里跑一下这个命令，看看你的显卡信息：
nvidia-smi如果系统提示找不到命令，说明驱动还没装。别急，往下看。
重要：量化回测对显存要求不低。尤其是处理海量历史数据时，显存小了容易爆。我建议至少8GB，16GB更稳妥。
1.2 NVIDIA驱动安装
驱动是显卡和系统沟通的桥梁。没有它，CUDA Toolkit装上了也白搭。
我个人习惯去NVIDIA官网下载对应型号的驱动。别用系统自带的，版本太老。
- 访问
https://www.nvidia.com/Download/index.aspx - 选择你的显卡型号和操作系统
- 下载并安装，一路默认就行
装完后重启，再跑一次 nvidia-smi。如果能看到显卡信息，驱动就搞定了。
小技巧：我建议装完驱动后，顺手把显卡驱动更新到最新。量化回测有时会用到新特性，老驱动可能不支持。
1.3 CUDA Toolkit安装
CUDA Toolkit是开发的核心。它包含了编译器、库文件、调试工具等。
我建议去NVIDIA官网下载，别用apt-get或yum，版本容易乱。
- 访问
https://developer.nvidia.com/cuda-downloads - 选择你的操作系统和架构
- 下载runfile或deb包
- 按官方文档安装
装完后，记得把CUDA的bin目录加到PATH里。我一般这样配：
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH你可以把这俩加到 ~/.bashrc 里，省得每次手动敲。
注意：CUDA Toolkit版本要和驱动版本匹配。我遇到过有人装了CUDA 12.0，但驱动只支持11.x，结果编译报错。查一下兼容性列表，省得折腾。
1.4 cuDNN安装
cuDNN是深度神经网络的加速库。虽然量化回测不一定用深度学习，但如果你以后想加一些预测模型，这东西就派上用场了。
安装cuDNN需要先注册NVIDIA开发者账号。嗯，这一步有点烦，但没办法。
- 下载对应CUDA版本的cuDNN
- 解压后，把文件复制到CUDA目录下
tar -xzvf cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*验证一下：
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2能看到版本号，就说明装好了。
1.5 nvcc编译器使用
nvcc是CUDA的编译器。说白了，它把我们的CUDA代码（.cu文件）编译成能在GPU上跑的程序。
先写个简单的测试程序：
// hello.cu
#include <stdio.h>
__global__ void hello_from_gpu() {
printf("Hello from GPU!\n");
}
int main() {
hello_from_gpu<<<1, 1>>>();
cudaDeviceSynchronize();
return 0;
}编译运行：
nvcc hello.cu -o hello
./hello如果看到 "Hello from GPU!"，恭喜你，环境搭建成功了。
核心：nvcc的常用参数我列一下，你以后肯定用得上：
| 参数 | 说明 |
|---|---|
-arch=sm_86 | 指定GPU架构，RTX 3060用sm_86 |
-O2 | 优化级别，一般用O2 |
-o | 指定输出文件名 |
-I | 添加头文件路径 |
-L | 添加库文件路径 |
1.6 环境验证：确保一切正常
装完所有东西后，我建议跑一个完整的验证流程。别偷懒，这一步能帮你发现潜在问题。
- 检查驱动：
nvidia-smi能看到显卡信息 - 检查CUDA版本：
nvcc --version - 检查cuDNN版本：
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR - 编译运行测试程序：上面那个hello.cu
如果都通过了，环境就稳了。
避坑指南：我曾经遇到过一个问题——装完CUDA后，系统里同时存在多个版本。结果编译时链接了错误的库，程序跑起来就崩。后来我学乖了，用 update-alternatives 管理版本，或者干脆只装一个。
1.7 知识体系总览
下面这张图，帮你理清本章的核心逻辑。从硬件到驱动，再到工具包和编译器，每一步都是环环相扣的。
嗯，这张图很直观。从硬件到驱动，再到工具包和编译器，最后验证。每一步都不可或缺。
1.8 常见问题与解决
我整理了几个常见问题，你遇到了可以直接查：
| 问题 | 原因 | 解决 |
|---|---|---|
nvidia-smi 找不到 | 驱动没装或没加到PATH | 重装驱动，或检查PATH |
| nvcc编译报错 | CUDA版本不匹配 | 检查驱动和CUDA兼容性 |
| cuDNN找不到 | 没复制到正确位置 | 检查 /usr/local/cuda/include |
| GPU程序跑不起来 | 权限问题或驱动问题 | 用 sudo 或更新驱动 |
好了，环境搭建就到这里。你跟着一步步走，应该不会出大问题。如果卡住了，回头看看上面的步骤，或者查查官方文档。