我试图得到一个变化的CUDA matrix transpose sample的各种大小。简单地说，我必须取一个输入数组（double *a），并将其写入一个更大的矩阵（double *tab）的两个不同部分（您会注意到不同的偏移量）。我以行为主的格式存储数据，所以我使用这个宏进行索引：

#define IDX2L(i,j,ld) (((i)*ld))+(j)) // 0 based index +row-major format

这是我使用的简单代码。

__global__ void cuda_a_Coalesced(double *tab, int tab_rows, int a_rows, double *a)
{
    __shared__  double tile[16*(16+1)]; 
    int col = threadIdx.x + blockIdx.x * blockDim.x;
    int row = threadIdx.y + blockIdx.y * blockDim.y;

    int col_2, row_2;
    int a_cols=tab_rows-a_rows; // tab_rows-a_rows is the number of columns of a
    int tab_cols=2*tab_rows+2;  // 2*tab_rows+2 is the number of columns of tab

    if( (col<a_cols) && (row<a_rows) ) 
    {
        // Load the data into shared mem
        tile[threadIdx.x+threadIdx.y*(16+1)]=a[IDX2L(row,col,a_cols)];

        // Normal copy (+ offsets)
        tab[IDX2L(row,col+tab_rows+a_rows,tab_cols)]= tile[threadIdx.x+threadIdx.y*(16+1)];

        // New idx
        col_2 = blockIdx.y * blockDim.y + threadIdx.x;
        row_2 = blockIdx.x * blockDim.x + threadIdx.y;
    }
    __syncthreads();

    if( (row_2<a_cols) && (col_2<a_rows) )
        // Transpose (+ other offsets)
        tab[IDX2L(row_2+a_rows,col_2+tab_rows,tab_cols)]= -tile[threadIdx.y+threadIdx.x*(16+1)];

}

发射参数如下：

b1=(int)ceil((float)a_cols/16);
b2=(int)ceil((float)a_rows/16);
dim bck(b1,b2):dim th(16,16);

cuda_a_Coalesced<<<bck,th>>>(tab,tab_rows,a_rows,a);

无论大小如何，正常复制总是可以很好地执行。转置复制仅适用于块大小的整数倍大小（如CUDA示例中）。当转置复制失败时，操作的某些部分是正确的，而其他部分则不是，我无法准确预测或跟踪。注意，这个想法是改变共享内存中的索引，以便转置可以以合并的形式写入输出矩阵中（由于行主格式）。
有人能告诉我为什么代码只适用于这种大小的原因吗？
有什么窍门可以解决这种情况吗？