필수 제품 준비하기

GPU Coder™를 사용하여 CUDA^® 코드를 생성하려면 다음 제품을 설치하고 설정해야 합니다. 설정 지침은 필수 제품 준비하기 항목을 참조하십시오.

MathWorks 제품 및 지원 패키지

• MATLAB^®(필수).

• MATLAB Coder™(필수).

• Parallel Computing Toolbox™(필수).

• Simulink^®(Simulink 모델에서 코드를 생성하기 위해 필요함).

• Deep Learning Toolbox™(딥러닝에 필요함).

• Embedded Coder^®(GPU 성능 분석기에 필요함).

• Simulink Coder(Simulink 모델에서 코드를 생성하기 위해 필요함).

• GPU Coder Interface for Deep Learning 지원 패키지(딥러닝에 필요함).

• MATLAB Coder Support Package for NVIDIA^® Jetson™ and NVIDIA DRIVE^® Platforms(NVIDIA Jetson 및 Drive와 같은 임베디드 타깃에 배포하기 위해 필요함).

• Computer Vision Toolbox™(권장).

• Image Processing Toolbox™(권장).

MathWorks^® 제품 설치에 대한 지침은 해당 플랫폼의 MATLAB 설치 문서를 참조하십시오. MATLAB을 설치한 상태에서 어떤 MathWorks 제품이 추가로 설치되어 있는지 확인하려면 MATLAB 명령 창에서 license를 사용하십시오.

license('inuse')

지원 패키지를 설치하려면 MATLAB의 애드온 탐색기를 사용하십시오.

MATLAB이 설치된 경로가 7비트 ASCII 문자가 아닌 문자(예: 일본어 문자)를 포함하고 있는 경우, 코드 생성 라이브러리 함수의 위치를 찾을 수 없기 때문에 GPU Coder가 작동하지 않습니다.

타사 하드웨어

• 호환되는 그래픽스 드라이버와 함께 사용되는 CUDA를 지원하는 NVIDIA GPU. 자세한 내용은 CUDA GPUs (NVIDIA)를 참조하십시오.

  코드 생성을 위한 CUDA Compute Capability 요구 사항을 확인하려면 다음 표를 참조하십시오.

  타깃	Compute Capability
  CUDA MEX	GPU 연산 요구 사항 항목을 참조하십시오.
  소스 코드, 정적 또는 동적 라이브러리, 실행 파일	3.2 이상.
  8비트 정수 정밀도에서의 딥러닝 응용	6.1, 7.0 이상.
  반정밀도(16비트 부동소수점)에서의 딥러닝 응용	5.3, 6.0, 6.2 이상.

• ARM^® Mali 그래픽스 프로세서.

  GPU Coder는 Mali 장치에 대해서는 딥러닝 신경망을 위한 코드 생성만 지원합니다.

타사 소프트웨어

필수

소프트웨어 이름	추가 정보	Linux®	Windows®
C/C++ 컴파일러	N/A	GCC C/C++ 컴파일러 지원되는 버전은 지원 및 호환되는 컴파일러 항목을 참조하십시오.	Microsoft® Visual Studio® 2022
			Microsoft Visual Studio 2019
			Microsoft Visual Studio 2017
NVIDIA 디스플레이 드라이버	필요한 최소 드라이버 버전 필요한 최소 드라이버 버전이 설치된 시스템에서 CUDA 애플리케이션을 제한된 기능 세트를 사용하여 실행할 수 있습니다.	450.80.02 이상	452.39 이상
	완전한 호환성이 보장되는 드라이버 버전	520.61.05 이상	520.06 이상

참고

이 표에는 CUDA 툴킷 v11.8의 드라이버 버전 요구 사항이 나와 있습니다. 다른 CUDA 툴킷 버전에 대해서는 CUDA 툴킷 Release Notes (NVIDIA)를 참조하십시오.

선택 사항

CUDA MEX의 경우, 코드 생성기는 MATLAB과 함께 설치된 NVIDIA 컴파일러 및 라이브러리를 사용합니다. 독립 실행형 코드(정적 라이브러리, 동적으로 링크된 라이브러리 또는 실행 프로그램)를 생성하려면 추가적인 소프트웨어 요구 사항이 있습니다.

소프트웨어 이름	정보
CUDA 툴킷	GPU Coder는 CUDA 툴킷 v9.x~v12.2로 테스트되었습니다. CUDA 툴킷을 다운로드하려면 CUDA Toolkit Archive (NVIDIA)를 참조하십시오.
NVIDIA GPU용 NVIDIA CUDA Deep Neural Network(cuDNN) 라이브러리	호스트 GPU 장치에 대한 GPU Coder 테스트는 cuDNN v8.9로 수행되었습니다. cuDNN을 다운로드하려면 cuDNN (NVIDIA)를 참조하십시오.
NVIDIA TensorRT™ 고성능 추론 최적화 함수 및 런타임 라이브러리	호스트 GPU 장치에 대한 GPU Coder 테스트는 TensorRT v8.6.1로 수행되었습니다. TensorRT를 다운로드하려면 TensorRT (NVIDIA)를 참조하십시오.
Mali GPU용 ARM Compute Library	GPU Coder는 v19.05로 테스트되었습니다. 자세한 내용은 Compute Library (ARM)을 참조하십시오.
OpenCV(Open Source Computer Vision Library)	딥러닝 예제에 필요합니다. 호스트 개발 컴퓨터의 NVIDIA GPU를 타깃으로 하는 예제는 OpenCV v3.1.0을 사용합니다. ARM GPU를 타깃으로 하는 예제는 ARM 타깃 하드웨어에서 OpenCV v2.4.9를 사용합니다. 자세한 내용은 OpenCV를 참조하십시오.

팁

 일반

• Windows에서는 툴, 컴파일러, 라이브러리에 대한 경로에 공백이나 특수 문자가 있으면 빌드 프로세스 중에 문제가 발생할 수 있습니다. 공백이 포함되지 않은 위치에 타사 소프트웨어를 설치하거나, Windows 설정을 변경하여 파일, 폴더, 경로의 짧은 이름을 만들 수 있도록 해야 합니다. 자세한 내용은 MATLAB Answers에서 Using Windows short names 항목을 참조하십시오.

• OpenCV 소스를 다운로드하고 라이브러리를 빌드해야 합니다. 이 예제에는 opencv_core.lib 및 opencv_video.lib와 같은 별도의 라이브러리가 필요합니다. 자세한 내용은 OpenCV 문서를 참조하십시오.

 CUDA 툴킷

• NVIDIA nvcc 컴파일러는 호스트 컴파일러 및 런타임 라이브러리를 비롯한 호스트 개발 환경과의 긴밀한 통합을 필요로 합니다. 컴파일러, 라이브러리 및 기타 플랫폼별 요구 사항에 대한 자세한 사항은 CUDA 툴킷 문서의 지침을 따를 것을 권장합니다. CUDA Toolkit Documentation (NVIDIA)를 참조하십시오.

• nvcc 컴파일러, cuFFT, cuBLAS, cuSOLVER, Thrust 라이브러리 및 기타 툴이 포함된 디폴트 설치 옵션을 선택할 것을 권장합니다.

• nvcc 컴파일러는 여러 버전의 GCC를 지원하므로 다른 버전의 GCC로 CUDA 코드를 생성할 수 있습니다. 그러나 MATLAB 설치에 포함된 C/C++ 런타임 라이브러리는 지원되는 GCC 버전에 대해서만 컴파일되므로 MATLAB에서 생성된 코드를 실행할 때 호환성 문제가 발생할 수 있습니다.

• GPU Performance Analyzer 워크플로는 NVIDIA의 프로파일링 툴에 따라 달라집니다. CUDA 툴킷 v10.1 이상부터 NVIDIA는 성능 카운터에 대한 액세스를 admin 사용자로 제한합니다. 모든 사용자가 GPU 성능 카운터를 사용할 수 있도록 설정하려면 Permission issue with Performance Counters (NVIDIA)에 제공된 지침을 참조하십시오.

• GPU Coder는 CUDA 툴킷 버전 8을 사용하여 CUDA 코드를 생성하는 것을 지원하지 않습니다.

 딥러닝

• 다른 버전의 딥러닝 라이브러리는 GPU Coder가 이 릴리스에서 지원하는 기능과 호환성 문제가 있을 수 있습니다.

 NVIDIA 임베디드 타깃

• 타깃 플랫폼에서 JetPack 또는 DriveInstall 소프트웨어를 사용하여 보드에 필요한 모든 라이브러리를 설치하십시오. 자세한 내용은 Install and Setup Prerequisites for NVIDIA Boards 항목을 참조하십시오.

 ARM Mali

• 이 라이브러리는 ARM 타깃 하드웨어에 설치해야 합니다. 사전 빌드된 라이브러리는 ARM 하드웨어의 컴파일러와 호환되지 않을 수 있으므로 사용하지 마십시오. 대신 소스 코드에서 라이브러리를 빌드하십시오. 호스트 컴퓨터 또는 타깃 하드웨어에서 직접 라이브러리를 빌드하십시오. GitHub^®의 instructions for building the library 항목을 참조하십시오. MATLAB Answers의 이 게시물에서 CPU용 라이브러리 빌드에 대한 정보도 확인할 수 있습니다.

• Compute Library를 빌드할 때 빌드 옵션에서 OpenCL 지원을 활성화하십시오. ARM Compute Library documentation에서 지침을 참조하십시오. ARM 타깃 하드웨어에서의 OpenCL 라이브러리(v1.2 이상). 버전 요구 사항은 ARM Compute Library 문서를 참조하십시오. 빌드가 완료되면 해당 라이브러리가 포함된 build 폴더의 이름을 lib로 변경하십시오. 또한 build/opencl-1.2-stubs 폴더에 있는 OpenCL 라이브러리를 lib 폴더에 복사하십시오. 이 단계는 생성된 makefile이 타깃 하드웨어에서 생성 코드를 빌드할 때 라이브러리를 찾을 수 있도록 하기 위해 필요합니다.

참고 항목

앱

• GPU Coder | GPU 환경 검사

함수

• codegen | coder.checkGpuInstall

객체

• coder.gpuEnvConfig

관련 항목

• 필수 제품 준비하기
• GPU 환경 검사 및 설정 앱
• Code Generation by Using the GPU Coder App
• Code Generation Using the Command Line Interface
• Code Generation for Deep Learning Networks by Using cuDNN
• Code Generation for Deep Learning Networks by Using TensorRT
• Code Generation for Deep Learning Networks Targeting ARM Mali GPUs