Arrays 仅使用一个块或线程太少时，Cuda共享内存超出范围

我自己尝试使用CUDA实现向量和归约，但遇到了一个可以修复但不理解实际问题的错误

我实现了下面的内核，它与NVIDIA示例中使用的内核非常相似

__global__ 
void reduce0(int *input, int *output)
{
    extern __shared__ int s_data[];

    int tid = threadIdx.x;
    int i = blockIdx.x * blockDim.x + threadIdx.x;

    s_data[tid] = input[i];
    __syncthreads();

    for( int s=1; s < blockDim.x; s *= 2) {
        if((tid % 2*s) == 0) {
            s_data[tid] += s_data[tid + s];
        }

        __syncthreads();
    }

    if(tid == 0) {
        output[blockIdx.x] = s_data[0];
    }
}

如果使用了超过1个线程块，那么代码运行正常。仅使用1个块将导致上述索引越界错误。通过将我的主机代码与以下示例之一进行比较来查找我的错误：

int smemSize = (threads <= 32) ? 2 * threads * sizeof(T) : threads * sizeof(T);

int-smemize=（线程代码崩溃
>2个块，任意数量的线程=>代码运行fine
1个块，任意数量的线程，共享内存大小2*#线程=>代码运行fine
虽然考虑了几个小时，我不明白为什么在使用太少的线程或块时会出现越界错误

更新：主机代码根据请求调用内核

int numberOfValues = 1024 ;
int numberOfThreadsPerBlock = 32;
int numberOfBlocks = numberOfValues / numberOfThreadsPerBlock;

int memSize = sizeof(int) * numberOfValues;

int *values = (int *) malloc(memSize);
int *result = (int *) malloc(memSize);

int *values_device, *result_device;
cudaMalloc((void **) &values_device, memSize);
cudaMalloc((void **) &result_device, memSize);

for(int i=0; i < numberOfValues ; i++) {
    values[i] = i+1;
}

cudaMemcpy(values_device, values, memSize, cudaMemcpyHostToDevice);

dim3 dimGrid(numberOfBlocks,1);
dim3 dimBlock(numberOfThreadsPerBlock,1);
int sharedMemSize = numberOfThreadsPerBlock * sizeof(int);

reduce0 <<< dimGrid, dimBlock, sharedMemSize >>>(values_device, result_device);

if (cudaSuccess != cudaGetLastError())
        printf( "Error!\n" );

cudaMemcpy(result, result_device, memSize, cudaMemcpyDeviceToHost);

int numberOfValues=1024；
int numberOfThreadsPerBlock=32；
int numberOfBlocks=numberOfValues/numberOfThreadsPerBlock；
int memSize=sizeof（int）*numberOfValues；
int*值=（int*）malloc（memSize）；
int*result=（int*）malloc（memSize）；
int*值\u设备，*结果\u设备；
cudamaloc（（void**）和设备的值，memSize）；
cudamaloc（（void**）和result_设备，memSize）；
对于（int i=0；i（值\u设备、结果\u设备）；
if（cudaSuccess！=cudaGetLastError（））
printf（“错误！\n”）；
cudaMemcpy（结果、结果_设备、memSize、cudaMemcpyDeviceToHost）；
您的问题可能是模和乘法的优先顺序。
tid%2*s
等于
（tid%s）*2
但您需要
tid%（s*2）

为什么需要使用
int-smemize=（线程可以显示内核调用吗？请检查启动参数-很容易混淆它们的顺序。我在问题中添加了主机代码
int numberOfValues = 1024 ;
int numberOfThreadsPerBlock = 32;
int numberOfBlocks = numberOfValues / numberOfThreadsPerBlock;

int memSize = sizeof(int) * numberOfValues;

int *values = (int *) malloc(memSize);
int *result = (int *) malloc(memSize);

int *values_device, *result_device;
cudaMalloc((void **) &values_device, memSize);
cudaMalloc((void **) &result_device, memSize);

for(int i=0; i < numberOfValues ; i++) {
    values[i] = i+1;
}

cudaMemcpy(values_device, values, memSize, cudaMemcpyHostToDevice);

dim3 dimGrid(numberOfBlocks,1);
dim3 dimBlock(numberOfThreadsPerBlock,1);
int sharedMemSize = numberOfThreadsPerBlock * sizeof(int);

reduce0 <<< dimGrid, dimBlock, sharedMemSize >>>(values_device, result_device);

if (cudaSuccess != cudaGetLastError())
        printf( "Error!\n" );

cudaMemcpy(result, result_device, memSize, cudaMemcpyDeviceToHost);