cuda矩阵加法核函数需用global声明，线程索引必须边界检查：一维用int idx = blockidx.x * blockdim.x + threadidx.x; 二维用row/col计算并if(row
CUDA矩阵加法核函数怎么写才不出错
直接用
__global__函数实现两个同维矩阵的逐元素相加，最常踩的坑是线程索引越界和未同步。GPU线程按二维网格启动时，blockIdx、threadIdx和gridDim必须联合计算全局索引，且需做边界检查——哪怕矩阵尺寸能被 block size 整除，也不能省略判断。
- 每个线程处理一个输出元素，索引公式固定为：
int idx = blockIdx.x * blockDim.x + threadIdx.x;（一维启动）或int row = blockIdx.y * blockDim.y + threadIdx.y; int col = blockIdx.x * blockDim.x + threadIdx.x;（二维启动）- 必须加
if (row 判断，否则超出矩阵范围的线程会写脏内存- 核函数参数必须是原始指针（
float*），不能传std::vector或封装类；主机端分配的内存要用cudaMalloc，不是new主机端如何正确分配和拷贝矩阵内存
GPU显存和主机内存是分离的，
cudaMalloc分配的指针不能直接传给 CPU 代码用，cudaMemcpy方向稍错就会读到全零或崩溃。
- 先用
cudaMalloc(&d_A, size)在设备端分配三块内存：输入 A、B 和输出 C- 用
cudaMemcpy(d_A, h_A, size, cudaMemcpyHostToDevice)把主机数组拷过去；注意第三个参数是字节数，不是元素个数（常见错误：写成M*N而非M*N*sizeof(float)）- 核函数执行完后，用
cudaMemcpy(h_C, d_C, size, cudaMemcpyDeviceToHost)拷回结果，别漏掉这步——否则h_C还是初始化值- 最后调用
cudaFree释放设备内存，不释放会导致显存泄漏启动配置选
dim3还是简单一维？对矩阵加法这种规则二维结构，用二维
dim3启动更直观，但实际性能和一维没差别；关键在于 block size 选 16×16 还是 32×32，会影响 warp 利用率。
- 推荐用
dim3 blockSize(16, 16)，对应 256 线程/块，是大多数 GPU 的最优选择（避免 warp 内部分支）- grid size 计算要向上取整：
dim3 gridSize((N + blockSize.x - 1) / blockSize.x, (M + blockSize.y - 1) / blockSize.y)，不能简单写(N/16, M/16)- 如果坚持一维启动（如
blockSize(256)），则必须用单索引映射二维位置：int row = idx / N; int col = idx % N;，且确保idx为什么加了
cudaDeviceSynchronize()还报错核函数异步执行，不加同步就直接读结果，大概率拿到旧数据；但加了同步仍出错，通常是 CUDA 错误没检查，掩盖了真实问题。
- 每次 CUDA 调用后应检查错误：
cudaError_t err = cudaGetLastError(); if (err != cudaSuccess) printf("CUDA error: %s\n", cudaGetErrorString(err));cudaDeviceSynchronize()放在核函数调用后、结果拷贝前，但若核函数本身有非法内存访问（比如越界写），它会阻塞并最终报cudaErrorLaunchFailure- 调试时可临时加
cuda-memcheck ./a.out运行，它能准确定位越界地址矩阵加法本身逻辑简单，真正耗时间的其实是内存搬运和错误排查——尤其是忘记
cudaFree或拷贝方向写反，这类问题不会编译报错，但结果永远不对。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
