我正在 CUDA 中实现类似 Radon 的变换，但我似乎无法从 GeForce TITAN 中获得所有性能（编辑：显然我这样做了，请参阅评论）。为了优化这一点，我考虑同时执行内核，因为它们只需要最少的数据传输，但我无法让内核同时执行。
典型的配置文件运行如下所示：
这是启用“并发内核支持”，使用 CUDA 5.5 (RC) 为 sm_35 编译和生成代码。重叠很小，几乎不值得。
我读过一些关于并发内核执行的文章，并尝试了不同的方法来让它正确：
- 在不同的流中启动内核
- 交错内核启动，例如首先使用 n 个流启动内核 A n 次，然后使用相同的 n 个流启动内核 B n 次，等等（尽管对于 Kepler 来说这可能不再需要；即使在启动时硬件也设法部分重叠内核非交错）
- 确保内核不使用相同的全局内存（尽管我不知道这是否重要）
- 确保内核不使用太多共享内存（旋转内核不使用任何内存）
我不明白为什么旋转内核不重叠更多。我的资源是否受到限制，如果是，我怎样才能找到它？如果我使用更多不同的内核，它会设法进行更多的并行化，例如在这个中，
但我认为它应该做得更好......
编辑：删除了 20% 的数字，因为我无法重现它，而且它似乎也是错误的