在高通GPU上编程主要涉及到使用NVIDIA的CUDA框架。以下是一些基本步骤：
环境配置
确保你的计算机或服务器上有一个支持通用计算的GPU，通常是NVIDIA的GPU。
安装正确版本的GPU驱动程序和CUDA工具包。CUDA工具包包含了CUDA C/C++编译器、库和其他工具。
创建项目
使用Visual Studio或其他IDE创建一个新的Win32控制台应用程序项目。
在源文件中添加新的.cpp文件，并将其重命名为.cu文件。.cu文件是CUDA C/C++源代码文件。
配置项目
对项目进行“生成自定义”，勾选“CUDA 4.0”以添加对.cu文件的支持。
选择.cu文件，右击“属性”，在General属性页下，将Item Type改为“CUDA C/C++”。
在项目属性中，选择“CUDA Linker/General”属性页，在“Additional Libraries Directories”下添加CUDA库的路径，例如：`$（CUDA_PATH_V4_0）\lib\$（Platform）；`。
在“Linker | Input”属性页中，在“Additional Dependencies”中添加`cudart.lib；`。
编写代码
向.cu文件中添加CUDA C/C++代码。例如，一个简单的CUDA核函数和一个主机函数：
```cpp
include "stdafx.h"
__global__ void kernel（void） {
// 你的GPU代码
}
int _tmain（int argc, _TCHAR* argv[]） {
kernel<<<1, 1>>>（）； // 启动一个线程块，每个线程执行一次kernel
printf（"hello world!\n"）；
return 0；
}
```
编译和运行
使用Visual Studio的CUDA工具集编译项目。选择“生成”菜单，然后选择“生成解决方案”。
编译成功后，运行生成的可执行文件，它将在GPU上执行你的程序。
调试和优化
使用NVIDIA的CUDA调试工具（如NVIDIA Nsight Compute）来调试和优化你的GPU代码。
使用CUDA性能分析工具（如NVIDIA Nsight Profiler）来分析程序的性能，找出瓶颈并进行优化。
建议
确保你的代码在CPU上正确运行后再上传到GPU，以避免潜在的运行时错误。
充分利用CUDA提供的并行计算能力，合理设计线程块和网格结构，以最大化GPU的利用率。
学习并掌握CUDA C/C++编程语言和相关的并行计算概念，这将有助于你编写高效的GPU程序。