cuda内存复制强制对齐

我编写了一个测试来说明我的问题，代码试图将16个字节复制到一个非4字节对齐的内存中，但是dest会自动修改

#include <cuda.h>
#include <cuda_runtime.h>
#include <stdio.h>

__global__
void Copy128(char *dest,const char *src)
{
    ((int*)dest)[0]=((int*)src)[0];
    ((int*)dest)[1]=((int*)src)[1];
    ((int*)dest)[2]=((int*)src)[2];
    ((int*)dest)[3]=((int*)src)[3];
}
__global__
void fill_src(char *src)
{
    for(int i=0; i<16; i++)
        src[i] = i+1; // starts from 1
}

int main()
{
    char* dest;
    cudaMalloc(&dest, 17);

    char* src;
    cudaMalloc(&src, 16);

    fill_src<<<1, 1>>>((char*)src); // fill some value for debugging

    // copy to dest+1 which is not aligned to 4
    Copy128<<<1, 1>>>(dest + 1, src);

    getchar();
}

#包括
#包括
#包括
__全球的__
void Copy128（char*dest，const char*src）
{
（（int*）dest）[0]=（（int*）src）[0]；
（（int*）dest）[1]=（（int*）src）[1]；
（（int*）dest）[2]=（（int*）src）[2]；
（（int*）dest）[3]=（（int*）src）[3]；
}
__全球的__
空白填充（字符*src）
{
对于（int i=0；i-内存是强制对齐的，这是正常行为吗？
是：引自“驻留在全局内存中的变量的任何地址或由驱动程序或运行时API的内存分配例程之一返回的变量的任何地址始终与至少256字节对齐”

任何可以关闭此功能的编译标志？
我想不是，这可能与硬件有关

还是应该逐个复制字节？
如果处理（非常）未对齐的内存，这是避免存储未对齐的唯一选择（如上所述）。
但是，您应该尝试检测（在编译时或运行时）内存操作何时对齐，然后使用手头上最宽的加载/存储（int4导致ldg指令，这将为您提供更好的带宽）
当我运行您的示例代码时，我在Copy128内核中遇到了一个非法写入错误，因为未对齐的内存访问，这正是应该发生的。我不明白您在这里想说的是什么，除了在x86 CPU上，GPU上的所有内存访问必须自然对齐，即与访问大小对齐，例如4-字节访问必须与4字节边界对齐。因此，在GPU上，这种内存访问对齐是功能正确性所必需的，而不仅仅是x86上的性能。CUDA文档中提到了这一点。对于未对齐的副本，您不需要完全逐字节复制较大的对象，只需对最终情况使用窄访问，并使用大批量传输的宽拷贝。