可以使用以下程序来进行CUDA运算：
魔影工厂 MediaCoder：
这是一款支持CUDA显卡加速的软件，可以转换任何格式的视频。
Badaboom：
这也是一个支持CUDA加速的视频处理软件。
PyTorch：
PyTorch是一个广泛使用的深度学习框架，它提供了CUDA接口，可以直接在GPU上运行计算密集型任务。
TensorFlow：
TensorFlow是另一个流行的深度学习框架，同样支持CUDA加速。
OpenCV：
OpenCV是一个开源的计算机视觉库，它也支持CUDA加速，可以用于图像和视频处理。
CUDA C++：
通过编写CUDA C++代码，可以利用NVIDIA的GPU进行并行计算。这通常涉及编写.cu文件（CUDA核函数）和.cpp文件（C++包装函数），并使用PYBIND11_MODULE进行封装。
NVIDIA CUDA Toolkit：
这是专为CUDA编程而设计的软件开发工具包，包含了CUDA编译器、CUDA运行库、CUDA驱动程序等组件。它支持多种操作系统，包括Windows、Linux和Mac OS，是进行CUDA开发的基础工具。
Visual Studio：
对于使用Windows操作系统的开发者，Visual Studio可以与CUDA Toolkit集成，提供代码编辑、调试和性能分析等功能。
Eclipse：
Eclipse是一个开源的集成开发环境，通过安装CUDA插件，可以在Eclipse中进行CUDA程序的开发。
PyCUDA：
PyCUDA是一个基于Python的开源库，提供了与CUDA的Python语言绑定，使得开发者可以使用Python进行CUDA编程。
ZLUDA：
这是一个项目，旨在使Intel GPU能够运行CUDA程序，而无需对程序进行任何修改。它基于Intel的oneAPI零级规范，尽管目前还在起步阶段，但已经展示出在特定情况下能够提供接近原生的性能。
根据你的开发环境和需求，可以选择合适的工具和框架来进行CUDA编程。对于深度学习和其他计算密集型任务，PyTorch和TensorFlow是流行的选择，而OpenCV则适用于图像和视频处理。对于更传统的CUDA编程，CUDA C++和CUDA Toolkit是直接的工具，而Visual Studio、Eclipse和PyCUDA等则提供了更为方便的集成开发环境。