C++ Cuda不能运行超过1024*255个线程

我在亚马逊的K520 GPU上运行，有1500个内核和4GB内存。我正在尝试运行一个1024*850线程的内核。我知道每个块最多只能获得1024个线程，但当我不能使用每个块1024个线程来启动超过255个块时，我感到惊讶（我得到了一个启动错误）。我认为网格大小的限制是2^16。不过，当我运行一个空内核时，它可以很好地运行。这让我觉得某处没有足够的记忆。我想知道我是否能得到一个关于正在发生的事情的解释。谢谢以下是内核：

__global__ void dotSubCentroidNorm
(
 Pt* segments,
 int pointCount,
 const Pt* centroids,
 const int* segmentChanges,
 float *dotResult
 )
{

  int idx = index();
  if(idx>=pointCount)
    return;
  int segment = segments[idx].segmentIndex;
  if(segment<0)
    return;
  int segPtCount = segmentChanges[segment+1]-segmentChanges[segment];
  Pt &pt = segments[idx];
  if(segPtCount==0)
  {
    printf("segment pt count =0 %d %d\n",idx, segment);
    return;
  }
  const Pt &ctr = centroids[segment];
  pt.x=pt.x-ctr.x/segPtCount;
  pt.y=pt.y-ctr.y/segPtCount;
  pt.z=pt.z-ctr.z/segPtCount;

  dotResult[idx] = pt.x*pt.x;
  dotResult[pointCount + idx] = pt.x*pt.y;
  dotResult[pointCount*2 + idx] = pt.x*pt.z;
  dotResult[pointCount*3 + idx] = pt.y*pt.y;
  dotResult[pointCount*4 + idx] = pt.y*pt.z;
  dotResult[pointCount*5 + idx] = pt.z*pt.z;
}

我用一个数组来调用这个内核，其中大约400000 Pt用于分段，200 Pt用于质心，200 Pt用于分段更改，400000*6用于dotResult。电话如下：

....
thrust::device_vector<float> dotResult(pointCount*6);

printf("Errors1: %s \n",cudaGetErrorString(cudaGetLastError()));

int tpb = 1024; //threads per block
dim3 blocks = blkCnt(pointCount, tpb);
printf("blocks: %d %d\n", blocks.x, blocks.y);
dotSubCentroidNorm<<<blocks ,tpb>>>
  (
   segments,
   pointCount,
   thrust::raw_pointer_cast(centroids.data()),
   segmentChanges,
   thrust::raw_pointer_cast(dotResult.data())
  );
printf("Errors2: %s \n",cudaGetErrorString(cudaGetLastError()));
cudaThreadSynchronize();

printf("Errors3: %s \n",cudaGetErrorString(cudaGetLastError()));
....

 #define blkCnt(size, threadsPerBlock) dim3(min(255,(int)floor(1+(size)/(threadsPerBlock))),floor(1+(size)/(threadsPerBlock)/256))
#define index() (threadIdx.x + (((gridDim.x * blockIdx.y) + blockIdx.x)*blockDim.x))
....

。。。。
推力：设备矢量点结果（点计数*6）；
printf（“错误1:%s\n”，cudaGetErrorString（cudaGetLastError（））；
int-tpb=1024//每个块的线程数
dim3块=blkCnt（点计数，tpb）；
printf（“块：%d%d\n”，块.x，块.y）；
点亚中心虫
(
部分，
点数，
推力：：原始指针投影（质心.data（）），
分段更改，
推力：：原始指针强制转换（dotResult.data（））
);
printf（“Errors2:%s\n”，cudaGetErrorString（cudaGetLastError（））；
cudaThreadSynchronize（）；
printf（“错误3:%s\n”，cudaGetErrorString（cudaGetLastError（））；
....
#定义blkCnt（尺寸，螺纹锁紧）dim3（最小（255，（内部）地板（1+（尺寸）/（螺纹锁紧））），地板（1+（尺寸）/（螺纹锁紧）/256））
#定义索引（）
....

显然，我是在为“segmentChanges”而不是设备传递主机数组，这就是为什么它会崩溃。

问题是什么？为什么我在启动此内核的1024*255个线程时会出错？最好提供一个简短、完整的代码，让其他人可以复制、编译和运行。是的，这需要你做一些工作，但它能提供更有效的帮助。您收到的确切错误消息是什么？

点计数的值是多少？（是的，您提供了一组数字，我无法判断其中哪一个是真正的
pointCount
。一个完整的代码会让它变得很明显。）使用
cuda memcheck
运行代码时会发生什么？
....
thrust::device_vector<float> dotResult(pointCount*6);

printf("Errors1: %s \n",cudaGetErrorString(cudaGetLastError()));

int tpb = 1024; //threads per block
dim3 blocks = blkCnt(pointCount, tpb);
printf("blocks: %d %d\n", blocks.x, blocks.y);
dotSubCentroidNorm<<<blocks ,tpb>>>
  (
   segments,
   pointCount,
   thrust::raw_pointer_cast(centroids.data()),
   segmentChanges,
   thrust::raw_pointer_cast(dotResult.data())
  );
printf("Errors2: %s \n",cudaGetErrorString(cudaGetLastError()));
cudaThreadSynchronize();

printf("Errors3: %s \n",cudaGetErrorString(cudaGetLastError()));
....

 #define blkCnt(size, threadsPerBlock) dim3(min(255,(int)floor(1+(size)/(threadsPerBlock))),floor(1+(size)/(threadsPerBlock)/256))
#define index() (threadIdx.x + (((gridDim.x * blockIdx.y) + blockIdx.x)*blockDim.x))
....