如果我使用31个区块，为什么CUDA减少失败？

以下CUDA代码获取标签列表（0、1、2、3…），并查找这些标签的权重总和

为了加速计算，我使用了共享内存，这样每个线程都可以维护自己的运行总和。在计算结束时，我执行一个立方体块范围的缩减，然后向全局内存中添加一个原子

如果我使用的块少于30个，CPU和GPU对结果的看法是一致的，但如果我使用的块多于30个，CPU和GPU就不一致。这是为什么？我如何修复它

检查代码中的错误代码不会产生任何结果，cuda gdb和cuda memcheck不会显示任何未捕获的错误或内存问题

我使用的是NVCC v10.1.243，运行的是Nvidia Quadro P2000

MWE

//使用nvcc-I/z/downloads/cub-1.8.0/cuda\u reduction.cu-arch=sm\u 61等编译
#包括
#包括
#包括
#包括
__全球\uuuuuu无效组\uuu夏季(
常量int32_t*常量标签，
常量浮点*常量权重，
常量int num_元素，
常量int num_类，
双*常数和，
uint32_t*常数计数
){
constexpr int num_threads=128；
断言（num_threads==blockDim.x）；
//获取共享内存
外部共享内部s[]；
double*常数和_shmem=（double*）s；
uint32_t*常量计数_shmem=（uint32_t*）和总和_shmem[num_threads*num_classes]；
double*const my_sums=&sums_shmem[num_classes*threadIdx.x]；
uint32_t*const my_counts=&counts_shmem[num_classes*threadIdx.x]；
对于（inti=0；i当我在特斯拉V100上运行代码时，除了第一次测试之外，所有结果都是失败的

您在这里遇到了一个问题：

  for(int i=0;i<num_threads*num_classes;i+=num_threads){
    sums_shmem[i] = 0;
    counts_shmem[i] = 0;
  }

cudaSuccess
不是与运行时API一起使用的正确枚举令牌。您应该改用
cudaSuccess
（有两个实例）

我还认为你的错误比较容易引起麻烦：

if(std::abs(a[i]-b[i])>1e-4)

但这似乎不是一个问题。我通常希望在测试前看到一些扩展。
啊，我现在觉得很愚蠢。谢谢你为我指出这一点！顺便说一句：这似乎是解决问题的合理方法吗？这是合理的。我想可能有一种更快的方法。这里的一个潜在问题是你的共享内存使用率becomes是占用率的限制器，这可能会转化为性能的限制器。您使用的是cc 6.0或更新的GPU，它具有相当快的共享原子。根据我的测试，一个简单的共享原子缩减内核在我的特斯拉V100上运行快约2倍。
if(std::abs(a[i]-b[i])>1e-4)