Python+CUDA+CuPy环境遇[jitify] File not found报错及入门求助

一、关于[jitify] File not found警告的原因 #

这个警告是CuPy的JIT编译模块找不到CUDA Toolkit自带的标准头文件导致的，常见原因有三个：

• CUDA Toolkit的安装路径未正确配置到系统环境变量，CuPy无法定位头文件位置
• 安装的CUDA Toolkit版本与CuPy版本不兼容，比如CuPy依赖的CUDA版本和你本地安装的不一致
• 直接用pip install cupy安装了通用预编译包，而非对应本地CUDA版本的专属包

二、新手友好的GPU编程环境搭建步骤 #

前置检查 #

先确认你的显卡是NVIDIA型号（CUDA仅支持NVIDIA显卡），右键桌面打开「NVIDIA控制面板」即可查看显卡信息。

步骤1：安装CUDA Toolkit #

• 下载对应你显卡型号和系统的稳定版CUDA Toolkit（推荐选12.x系列）
• 安装时选「自定义安装」，只勾选「CUDA」核心组件，已装过NVIDIA驱动就别再选驱动，避免冲突
• 手动配置环境变量：
  • 系统变量新增CUDA_PATH，值为CUDA安装路径（比如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1）
  • 把%CUDA_PATH%\bin和%CUDA_PATH%\libnvvp添加到系统变量的Path中
• 验证：打开命令提示符，输入nvcc --version，能显示版本号即为安装成功

步骤2：安装CuPy #

不要直接用pip install cupy，要安装对应CUDA版本的专属包：

• 若CUDA是12.x版本，执行：

pip install cupy-cuda12x

• 若CUDA是11.x版本，执行：

pip install cupy-cuda11x

• 验证：打开Python终端，输入import cupy as cp，无报错即为安装成功

步骤3：VS Code配置 #

• 安装微软官方的「Python」插件
• 打开设置，搜索「Python: Default Interpreter Path」，选择安装了CuPy的Python环境
• 可选安装「Code Runner」插件，方便快速运行代码

三、入门GPU代码示例 #

示例1：CPU与GPU运算速度对比 #

这个例子能直观看到GPU的并行运算优势：

import numpy as np
import cupy as cp
import time

# CPU矩阵乘法
cpu_start = time.time()
cpu_arr = np.random.rand(10000, 10000)
cpu_result = np.matmul(cpu_arr, cpu_arr)
cpu_end = time.time()
print(f"CPU运算耗时: {cpu_end - cpu_start:.2f}秒")

# GPU矩阵乘法
gpu_start = time.time()
gpu_arr = cp.random.rand(10000, 10000)
gpu_result = cp.matmul(gpu_arr, gpu_arr)
cp.cuda.Stream.null.synchronize()  # 等待GPU运算完成
gpu_end = time.time()
print(f"GPU运算耗时: {gpu_end - gpu_start:.2f}秒")

示例2：自定义GPU核函数 #

用CuPy实现简单的元素平方运算，理解GPU核函数的基本写法：

import cupy as cp

# 定义GPU核函数
square_kernel = cp.RawKernel(r'''
extern "C" __global__
void square(const float* x, float* y, int n) {
    int i = blockDim.x * blockIdx.x + threadIdx.x;
    if (i < n) {
        y[i] = x[i] * x[i];
    }
}
''', 'square')

# 创建测试数组
x = cp.random.rand(1000000, dtype=cp.float32)
y = cp.empty_like(x)

# 调用核函数（配置线程块和网格大小）
block_size = 256
grid_size = (x.size + block_size - 1) // block_size
square_kernel((grid_size,), (block_size,), (x, y, x.size))

# 验证结果正确性
assert cp.allclose(y, x*x)
print("自定义GPU核函数运行成功！")

内容的提问来源于stack exchange，提问作者Anish Kumar