做CUDA項目時的一些坑
1）要注意數據類型，在進行cudaMemcpy()的時候，要注意數據類型的統一，即使你float的數組裏存的是數據是沒有小數的整數類型，但當你想要把數據從設備端拷貝回主機端的時候，一定要new一個float類型的數組去存放。
2）要注意核函數裏，數組的索引一定不要超過範圍，否則會出現全是0的情況。特別要注意當一個數組用於存儲座標，另一個數組存放數據。用該存儲座標的數組去索引存放數據的數組時，要確保存儲的座標值不會超過數組的索引大小。
3）在進行數組從設備端到宿主端的copy時，內存大小一定要小於等於所申請的大小，不能比申請的內存大小大，不然也會出現全是0的情況，一定要謹慎。不然找一個錯誤就要找好久。。。
做CUDA項目時的一些小習慣
1）在做算法的CUDA加速時，一定要先熟悉算法，而不是根據別人的C++\C 代碼去直接翻譯成CUDA，最好的話可以看該算法的matlab版本（個人認爲matlab的代碼更直觀，而且在數據處理方面可視化程度較高），在瞭解清楚該算法後，再用並行的思想去思考該如何編寫CUDA代碼。
2）在規劃線程塊大小時，可以根據算法的內容，選擇 ‘’少線程，多寄存‘’ 或者 “多線程，少寄存器”。這完全取決於你的算法內容。
3）共享內存多用於 某些數據需要被頻繁訪問，或者數組的某些位置需要被頻繁索引到 。比如：歸約算法，同時要注意存儲體衝突（bank confilt）
若只是簡單的賦值操作，或者讀寫操作，可以直接在全局內存上操作
4）當項目裏需要插入一些固定的數據，比如一些矯正矩陣，空氣參考矩陣，可以使用頁鎖定內存，快速複製到設備端，在不使用的時候釋放頁鎖定內存，把虛擬內存放出來。
5）在利用CUDA的一些高級庫時，比如cublas,cusolver,cufft。可以去官網的工具手冊找對應的例子，還有關於函數的參數解釋，能幫助你快速的瞭解並掌握。
最後
我感覺CUDA在做一些有序的算法問題時，會很難寫（可能本人能力有限。。），但是總是會有解決的方法的，只要你對算法足夠的瞭解，人是活的嘛！
總之，你要對你要寫的東西十分熟悉，然後多利用並行思想去思考。如果可以的話，去了解GPU.CPU的硬件構成，會對你寫代碼有很大的幫助，因爲代碼最後都是要在硬件上去執行的。我對GPU的硬件感觸最深的一點就是流水化的程度很高。