gpu挖礦cuda8

❶ 最新版GuiMiner不支持N卡的CUDA功能挖礦嗎我惦記新建CUDA采礦器，設置好後惦記「開始采礦」沒反應啊

放棄吧，還是用A卡或是買機器

❷ 顯卡怎麼挖礦，如何設置GPU挖礦設備

設置挖礦設備的第一步是選擇合適的硬體。本文將重點講 GPU (顯卡) 挖礦，當然你可以使用CPU 或者 ASIC 設備挖礦。 AMD 顯卡的架構對挖礦非常有利， Nvidia 卡由於哈希率特低，不適於挖礦。最好的 Nvidia 顯卡也不足 0.5 megahash。筆記本硬體挖礦還比不上 Nvidia 卡，是挖礦的糟糕選項。您需要使用台式機系統進行挖礦。有台式機系統可以確保硬體充分冷卻。

顯卡或卡需要能夠和主板匹配，電源也必須有足夠的 PCI-E 接頭。在確定顯卡前，要注意這些。為了讓系統充分冷卻，你需要將機箱的蓋子拆下，以便更好地散熱。這就是人們所說的「open- air rig(開放設備)」。如果你能讓系統對准風扇或空調，你可以讓設備在運行時更加涼爽，從而延長設備壽命並保持高效。

❸ cuda 8.0對應什麼cudnn版本

ubuntu14.04 64位的cudnn6.0版本。

❹ n卡gtx770挖礦用cuda挖虧不虧本cpu是e3-1230v3。還有，gtx770可以通過刷

很虧本，N卡不適合挖礦，最適合的是5870
770刷bios可以提升性能

❺ cuda8.0怎麼安裝

步驟如下：
1.下載安裝CUDA：
1.1 下載。請到 cuda官網，選擇合適的版本。如果版本不合適，安裝的時候會提示的，但還是下載最新的比較好；

1.2 安裝。雙擊cuda_7.5.18_win10.exe,一步步來就好。

2.VS2013配置和測試
2.1 重啟計算機。關於是否添加環境變數，筆者安裝的時候系統已自動添加好對應的環境變數，如果沒有，請查看上文鏈接的博文；
2.2 配置VS。也請參考上述博文，不再贅述。

3.測試
上兩個測試文件。
3.1
1 #include< stdio.h>
2 #include "cuda_runtime.h"
3 #include "device_launch_parameters.h"
4 bool InitCUDA()
5 {
6 int count;
7 cudaGetDeviceCount(&count);
8 if(count == 0)
9 {
10 fprintf(stderr, "There is no device.\n");
11 return false;
12 }
13 int i;
14 for(i = 0; i < count; i++)
15 {
16 cudaDeviceProp prop;
17 if(cudaGetDeviceProperties(&prop, i) == cudaSuccess)
18 {
19 if(prop.major >= 1)
20 {
21 break;
22 }
23 }
24 }
25 if(i == count)
26 {
27 fprintf(stderr, "There is no device supporting CUDA 1.x.\n");
28 return false;
29 }
30 cudaSetDevice(i);
31 return true;
32 }
33
34 int main()
35 {
36 if(!InitCUDA())
37 {
38 return 0;
39 }
40 printf("HelloWorld, CUDA has been initialized.\n");
41 return 0;
42 }

3.2
1 // CUDA runtime 庫 + CUBLAS 庫
2 #include "cuda_runtime.h"
3 #include "cublas_v2.h"
4
5 #include <time.h>
6 #include <iostream>
7
8 using namespace std;
9
10 // 定義測試矩陣的維度
11 int const M = 5;
12 int const N = 10;
13
14 int main()
15 {
16 // 定義狀態變數
17 cublasStatus_t status;
18
19 // 在 內存 中為將要計算的矩陣開辟空間
20 float *h_A = (float*)malloc (N*M*sizeof(float));
21 float *h_B = (float*)malloc (N*M*sizeof(float));
22
23 // 在 內存 中為將要存放運算結果的矩陣開辟空間
24 float *h_C = (float*)malloc (M*M*sizeof(float));
25
26 // 為待運算矩陣的元素賦予 0-10 范圍內的隨機數
27 for (int i=0; i<N*M; i++) {
28 h_A[i] = (float)(rand()%10+1);
29 h_B[i] = (float)(rand()%10+1);
30
31 }
32
33 // 列印待測試的矩陣
34 cout << "矩陣 A :" << endl;
35 for (int i=0; i<N*M; i++){
36 cout << h_A[i] << " ";
37 if ((i+1)%N == 0) cout << endl;
38 }
39 cout << endl;
40 cout << "矩陣 B :" << endl;
41 for (int i=0; i<N*M; i++){
42 cout << h_B[i] << " ";
43 if ((i+1)%M == 0) cout << endl;
44 }
45 cout << endl;
46
47 /*
48 ** GPU 計算矩陣相乘
49 */
50
51 // 創建並初始化 CUBLAS 庫對象
52 cublasHandle_t handle;
53 status = cublasCreate(&handle);
54
55 if (status != CUBLAS_STATUS_SUCCESS)
56 {
57 if (status == CUBLAS_STATUS_NOT_INITIALIZED) {
58 cout << "CUBLAS 對象實例化出錯" << endl;
59 }
60 getchar ();
61 return EXIT_FAILURE;
62 }
63
64 float *d_A, *d_B, *d_C;
65 // 在 顯存 中為將要計算的矩陣開辟空間
66 cudaMalloc (
67 (void**)&d_A, // 指向開辟的空間的指針
68 N*M * sizeof(float) //需要開辟空間的位元組數
69 );
70 cudaMalloc (
71 (void**)&d_B,
72 N*M * sizeof(float)
73 );
74
75 // 在 顯存 中為將要存放運算結果的矩陣開辟空間
76 cudaMalloc (
77 (void**)&d_C,
78 M*M * sizeof(float)
79 );
80
81 // 將矩陣數據傳遞進 顯存 中已經開辟好了的空間
82 cublasSetVector (
83 N*M, // 要存入顯存的元素個數
84 sizeof(float), // 每個元素大小
85 h_A, // 主機端起始地址
86 1, // 連續元素之間的存儲間隔
87 d_A, // GPU 端起始地址
88 1 // 連續元素之間的存儲間隔
89 );
90 cublasSetVector (
91 N*M,
92 sizeof(float),
93 h_B,
94 1,
95 d_B,
96 1
97 );
98
99 // 同步函數
100 cudaThreadSynchronize();
101
102 // 傳遞進矩陣相乘函數中的參數，具體含義請參考函數手冊。
103 float a=1; float b=0;
104 // 矩陣相乘。該函數必然將數組解析成列優先數組
105 cublasSgemm (
106 handle, // blas 庫對象
107 CUBLAS_OP_T, // 矩陣 A 屬性參數
108 CUBLAS_OP_T, // 矩陣 B 屬性參數
109 M, // A, C 的行數
110 M, // B, C 的列數
111 N, // A 的列數和 B 的行數
112 &a, // 運算式的 α 值
113 d_A, // A 在顯存中的地址
114 N, // lda
115 d_B, // B 在顯存中的地址
116 M, // ldb
117 &b, // 運算式的 β 值
118 d_C, // C 在顯存中的地址(結果矩陣)
119 M // ldc
120 );
121
122 // 同步函數
123 cudaThreadSynchronize();
124
125 // 從 顯存 中取出運算結果至 內存中去
126 cublasGetVector (
127 M*M, // 要取出元素的個數
128 sizeof(float), // 每個元素大小
129 d_C, // GPU 端起始地址
130 1, // 連續元素之間的存儲間隔
131 h_C, // 主機端起始地址
132 1 // 連續元素之間的存儲間隔
133 );
134
135 // 列印運算結果
136 cout << "計算結果的轉置 ( (A*B)的轉置 )：" << endl;
137
138 for (int i=0;i<M*M; i++){
139 cout << h_C[i] << " ";
140 if ((i+1)%M == 0) cout << endl;
141 }
142
143 // 清理掉使用過的內存
144 free (h_A);
145 free (h_B);
146 free (h_C);
147 cudaFree (d_A);
148 cudaFree (d_B);
149 cudaFree (d_C);
150
151 // 釋放 CUBLAS 庫對象
152 cublasDestroy (handle);
153
154 getchar();
155
156 return 0;
157 }

❻ 怎麼限制顯卡挖礦速度

沒用過N卡的，按A卡和U的習慣，I是控制優先順序的，I值越高，電腦越卡，越低，挖礦就慢，就可以干別的

❼ 以太坊gpu挖礦程序是怎樣的

GPU挖掘

硬體

演算法是內存難解的，為了使DAG適合內存，每個GPU需要1-2GB內存，如果你得到錯誤提示：Error GPU mining. GPU memory fragmentation? 說明你沒有足夠的內存。GPU挖礦軟體是基於OpenCL實現的，AMD GPU會比同一水準的NVIDIA GPU更快。ASIC和FPGA相對低效因而被阻攔。要給晶元集成平台獲取openCL，嘗試：
AMD SDK openCL
NVIDIA CUDA openCL
Ubuntu Linux設置

對於這個快速指南，你會需要Ubuntu 14.04或15.04以及fglrx圖像驅動器。你也可以使用NVidia驅動器和其他平台，但是你必須要找到自己的方式來獲得有效的OpenCL安裝，比如Genoil的ethminer分叉。
如果你在用15.04，到"軟體與更新〉額外的驅動器"設置為"從fglrx為AMD圖形加速器使用視頻驅動器"。
如果你在用14.04，到"軟體與更新〉額外的驅動器"設置為"從fglrx為AMD圖形加速器使用視頻驅動器"。很遺憾，對於一些人來說，這種方法可能不管用，因為Ubuntu 14.04.02中有個已知的程序錯誤會阻止你轉換到GPU挖礦所必須的專屬圖形驅動器。
所以，如果你遇到這個程序錯誤，先到"軟體與更新〉更新"選擇"預發行的可靠更新提議"。然後，回到"軟體與更新〉額外的驅動器"設置為"從fglrx為AMD圖形加速器使用視頻驅動器"。重啟之後，值得檢查一下現在確實正確安裝了驅動器（例如通過再到"額外驅動器"）。
不管做什麼，如果你在用14.04.02，一旦安裝之後，就不要改變驅動器或者驅動器配置。例如，aticonfig –initial的使用（尤其是-f, –force選項）會"破壞"你的設置。如果你偶然改變了配置，會需要卸載驅動器，重啟，再次安裝驅動器並重啟。

❽ 怎麼用N卡的cuda挖礦

比特幣800是提供比特幣資訊，比特幣客戶端，比特幣教程，比特幣挖礦，比特幣行情等比特幣相關信息的比特幣中文門戶。

❾ GPU高性能運算之CUDA，CUDA編程報錯，大牛幫忙解答啊

唉，是自己粗心大意，忘了給main函數入口了，在主機端代碼中加上函數聲明和主函數就行了:
//函數聲明
void runTest(int argc, char** argv);
//主函數
int main(int argc, char** argv)
{
runTest(argc,argv);
CUT_EXIT(argc,argv); //退出CUDA
}