我在这里有 这段代码（由于答案而修改）。
信息
32 字节堆栈帧，0 字节溢出存储，0 字节溢出加载
ptxas 信息：使用 46 个寄存器，120 字节 cmem[0]，176 字节 cmem[2]，76 字节 cmem[16]
我不知道还要考虑什么才能使其适用于点“numPointsRs”和“numPointsRp”的不同组合
例如，当我使用 Rs=10000 和 Rp=100000 运行代码时，block=(128,1,1),grid=(200,1) 很好。
我的计算：
46 个寄存器*128 线程=5888 个寄存器。
我的卡有限制 32768 个寄存器，所以 32768/5888=5 +some => 5 块/SM
（我的卡有限制 6）。使用占用率计算器，我发现使用 128 个线程/块给了我 42% 并且在我的卡的限制范围内。
此外，每个 MP 的线程数为 640（限制为 1536）
现在，如果我尝试使用 Rs=100000 和 Rp=100000（对于相同的线程和块）它会给我标题中的消息，其中：
cuEventDestroy 失败：启动超时
cuModuleUnload 失败：启动超时
1）我不知道/理解还需要计算什么。
2）我不明白我们如何使用/查找块的数量。我可以看到，大多数情况下，有人放（threads-1+points）/threads，但这仍然不起作用。
- - - - - - - 更新 - - - - - - - - - - - - - - - - - - ------------
使用 driver.Context.synchronize() 后，代码适用于许多点（1000000）！
但是，这个添加对代码有什么影响？（对于许多点，屏幕冻结 1 分钟或更长时间）。我应该使用它还是不使用它？
--------------已更新2----------------------------------- ------------
现在，代码在不做任何事情的情况下无法再次工作！
代码快照：
import pycuda.gpuarray as gpuarray
import pycuda.autoinit
from pycuda.compiler import SourceModule
import numpy as np
import cmath
import pycuda.driver as drv
import pycuda.tools as t
#---- Initialization and passing(allocate memory and transfer data) to GPU -------------------------
Rs_gpu=gpuarray.to_gpu(Rs)
Rp_gpu=gpuarray.to_gpu(Rp)
J_gpu=gpuarray.to_gpu(np.ones((numPointsRs,3)).astype(np.complex64))
M_gpu=gpuarray.to_gpu(np.ones((numPointsRs,3)).astype(np.complex64))
Evec_gpu=gpuarray.to_gpu(np.zeros((numPointsRp,3)).astype(np.complex64))
Hvec_gpu=gpuarray.to_gpu(np.zeros((numPointsRp,3)).astype(np.complex64))
All_gpu=gpuarray.to_gpu(np.ones(numPointsRp).astype(np.complex64))
#-----------------------------------------------------------------------------------
mod =SourceModule("""
#include <pycuda-complex.hpp>
#include <cmath>
#include <vector>
typedef pycuda::complex<float> cmplx;
typedef float fp3[3];
typedef cmplx cp3[3];
__device__ __constant__ float Pi;
extern "C"{
__device__ void computeEvec(fp3 Rs_mat[], int numPointsRs,
cp3 J[],
cp3 M[],
fp3 Rp,
cmplx kp,
cmplx eta,
cmplx *Evec,
cmplx *Hvec, cmplx *All)
{
while (c<numPointsRs){
...
c++;
}
}
__global__ void computeEHfields(float *Rs_mat_, int numPointsRs,
float *Rp_mat_, int numPointsRp,
cmplx *J_,
cmplx *M_,
cmplx kp,
cmplx eta,
cmplx E[][3],
cmplx H[][3], cmplx *All )
{
fp3 * Rs_mat=(fp3 *)Rs_mat_;
fp3 * Rp_mat=(fp3 *)Rp_mat_;
cp3 * J=(cp3 *)J_;
cp3 * M=(cp3 *)M_;
int k=threadIdx.x+blockIdx.x*blockDim.x;
while (k<numPointsRp)
{
computeEvec( Rs_mat, numPointsRs, J, M, Rp_mat[k], kp, eta, E[k], H[k], All );
k+=blockDim.x*gridDim.x;
}
}
}
""" ,no_extern_c=1,options=['--ptxas-options=-v'])
#call the function(kernel)
func = mod.get_function("computeEHfields")
func(Rs_gpu,np.int32(numPointsRs),Rp_gpu,np.int32(numPointsRp),J_gpu, M_gpu, np.complex64(kp), np.complex64(eta),Evec_gpu,Hvec_gpu, All_gpu, block=(128,1,1),grid=(200,1))
#----- get data back from GPU-----
Rs=Rs_gpu.get()
Rp=Rp_gpu.get()
J=J_gpu.get()
M=M_gpu.get()
Evec=Evec_gpu.get()
Hvec=Hvec_gpu.get()
All=All_gpu.get()
我的卡：
Device 0: "GeForce GTX 560"
CUDA Driver Version / Runtime Version 4.20 / 4.10
CUDA Capability Major/Minor version number: 2.1
Total amount of global memory: 1024 MBytes (1073283072 bytes)
( 0) Multiprocessors x (48) CUDA Cores/MP: 0 CUDA Cores //CUDA Cores 336 => 7 MP and 48 Cores/MP
