我刚开始使用CUDA，想使用Visual Studio编写一个简单的C++程序，该程序可以计算1-N中的素数总数。我这样做了：

#include "cuda_runtime.h"
#include "device_launch_parameters.h"

#include <cstdio>
#include <cmath>

static void HandleError(cudaError_t err,
    const char* file,
    int line) {
    if (err != cudaSuccess) {
        printf("%s in %s at line %d\n", cudaGetErrorString(err),
            file, line);
        exit(EXIT_FAILURE);
    }
}
#define HANDLE_ERROR( err ) (HandleError( err, __FILE__, __LINE__ ))

__global__ void countPrimeGPU(const int* array, int* count)
{
    int number = array[threadIdx.x + blockIdx.x * blockDim.x];
    if (number <= 1)
        return;
    for (int i = 2; i <= floor(pow(number, 0.5)); i++)
        if (!(number % i)) 
            return;
    atomicAdd(count, 1);
}

int main()
{
    int* host_array; 
    int* dev_array;  
    const int size = 9; // prime numbers from 1-9

    // allocating & initializing host array
    host_array = new int[size];
    for (int i = 0; i < size; i++) 
        host_array[i] = i + 1; // 1, 2, ..., size

    int host_primeCount = 0;
    int* dev_pprimeCount;

    HANDLE_ERROR(cudaSetDevice(0));
    HANDLE_ERROR(cudaMalloc((void**)&dev_array, size * sizeof(int)));
    HANDLE_ERROR(cudaMemcpy(dev_array, host_array, size * sizeof(int), cudaMemcpyHostToDevice));
    HANDLE_ERROR(cudaMalloc((void**)&dev_pprimeCount, sizeof(int)));
    HANDLE_ERROR(cudaMemcpy(dev_pprimeCount, &host_primeCount, sizeof(int), cudaMemcpyHostToDevice));
    countPrimeGPU <<< size, 1 >>> (dev_array, dev_pprimeCount); // !!!
    HANDLE_ERROR(cudaGetLastError());
    HANDLE_ERROR(cudaDeviceSynchronize());
    HANDLE_ERROR(cudaMemcpy(&host_primeCount, dev_pprimeCount, sizeof(int), cudaMemcpyDeviceToHost));
    printf("Prime count for the first %d numbers: %d\n", size, host_primeCount);

    cudaFree(dev_array);
    cudaFree(dev_pprimeCount);
    HANDLE_ERROR(cudaDeviceReset());
    delete[] host_array;
    return 0;
}

这里的问题是，只有当size在[1-8]区间内时，我才能得到正确的结果。但是，当将其设置为9或更高时，它总是不正确。我做错了什么？我怀疑我设置的配置不正确（块/线程数），但无法修复。最后，我想用size=10'000'000测试它，并与我的多线程CPU实现进行比较。谢谢。