C++ CUDA对许多小型阵列进行求和

我有一个数组，它由16个元素组成，实际上是由许多小数组组合而成的：

[1,1,1,1 | 2,2,2,2,2,2 | 3,3,3,3,3 | 4,4,4]

实际上，一个数组相当长，大约512或1024，总数组长度小于最大块大小，因此小于1024。数组驻留在共享内存中，因为它是以前计算的结果。每个子阵列（第一个和最后一个除外）都具有相同的大小，并且所有子阵列都具有偶数个元素

在一个CUDA块中，我想对这个数组求和，这样结果就是

[4，…12，…18，…16，…]

如果子阵列的长度为2的幂的长度，则没有问题，但这很少是事实，因此一种选择是用0填充阵列，使子阵列的长度为2的幂：

[1,1,1,1 | 2,2,2,2,0,0 | 3,3,3,3,0,0,0 | 4,4]

但是，如果我有长度为34的子数组，并且我会将每个30个值的元素添加到64个，那么这将浪费大量的处理能力和共享内存

---

是否有人看到任何有效的方法来求和这样的数组？

假设块的总长度是固定的（在运行时但在启动之前，或在编译时），为什么不（针对每个线程）执行以下操作呢

确定元素是否是序列中的最后一个（通过读取它和下一个元素）

使用抽签确定扭曲中的哪些线程具有过渡

与整个块共享warp的投票结果（每个warp只有一个通道将其写入共享内存中的适当位置）

从您的位置向后“搜索”整个块段中最后一个位图，以查找上一个过渡

现在，您知道了细分市场中的元素数量；将其乘以元素的值并写入结果

---

还有一些细节，比如在最后一个块中如何更改，但我认为这应该很好。

子数组的值是否来自以前已知的一组值，以便可以通过枚举来描述这些值？如果是这样的话，原子操作可能会有所帮助。不，它们是预先计算的，为了更清晰起见，这里的值会重复。不管怎样，我终于找到了一个相当快的解决方案，如果有人遇到同样的问题，我会很快发布