为什么我的CUDA内核使用不同的数据集大小崩溃（未指定的启动失败）？

我有一个内核，可以根据它们的位置（对角线或非对角线）来计算矩阵的不同元素。计算大小矩阵时，内核按预期工作：

• 14 x 14（我知道这很小，没有正确使用GPU资源，但这纯粹是出于测试目的，以确保结果正确）
• 118 x 118，以及
• 300 x 300

但是，当我尝试计算大小为2383 x 2383的矩阵时，内核崩溃。具体来说，在cudaMemcpy（）行上引发了错误“未指定的启动失败”，以将结果从设备返回到主机。通过研究，我了解到该错误通常是在内存访问超出范围的情况下发生的（例如在数组中），但是，我没有得到的是它适用于前三种情况，但不适用于2383 x 2383例。内核代码如下所示：

__global__ void createYBus(float *R, float *X, float *B, int numberOfBuses, int numberOfBranches, int *fromBus, int *toBus, cuComplex *y)
{
    int rowIdx = blockIdx.y*blockDim.y + threadIdx.y;
    int colIdx = blockIdx.x*blockDim.x + threadIdx.x;
    int index = rowIdx*numberOfBuses + colIdx;
    if (rowIdx<numberOfBuses && colIdx<numberOfBuses)
    {
        for (int i=0; i<numberOfBranches; ++i)
        {
            if (rowIdx==fromBus[i] && colIdx==fromBus[i]) { //diagonal element
                y[index] = cuCaddf(y[index], make_cuComplex((R[i]/((R[i]*R[i])+(X[i]*X[i]))), (-(X[i]/((R[i]*R[i])+(X[i]*X[i])))+ (B[i]/2))));
            }
            if (rowIdx==toBus[i] && colIdx==toBus[i]) { //diagonal element
                y[index] = cuCaddf(y[index], make_cuComplex((R[i]/((R[i]*R[i])+(X[i]*X[i]))), (-(X[i]/((R[i]*R[i])+(X[i]*X[i])))+ (B[i]/2))));
            }
            if (rowIdx==fromBus[i] && colIdx==toBus[i]) { //off-diagonal element
                y[index] = make_cuComplex(-(R[i]/((R[i]*R[i])+(X[i]*X[i]))), X[i]/((R[i]*R[i])+(X[i]*X[i])));
            }
            if (rowIdx==toBus[i] && colIdx==fromBus[i]) { //off-diagonal element
                y[index] = make_cuComplex(-(R[i]/((R[i]*R[i])+(X[i]*X[i]))), X[i]/((R[i]*R[i])+(X[i]*X[i])));
            }
        }
    }
}

全局内存分配是通过对cudaMalloc（）的调用完成的。代码中的分配如下：

cudaStat1 = cudaMalloc((void**)&dev_fromBus, numLines*sizeof(int));
cudaStat2 = cudaMalloc((void**)&dev_toBus, numLines*sizeof(int));
cudaStat3 = cudaMalloc((void**)&dev_R, numLines*sizeof(float));
cudaStat4 = cudaMalloc((void**)&dev_X, numLines*sizeof(float));
cudaStat5 = cudaMalloc((void**)&dev_B, numLines*sizeof(float));
cudaStat6 = cudaMalloc((void**)&dev_y, numberOfBuses*numberOfBuses*sizeof(cuComplex));
cudaStat7 = cudaMalloc((void**)&dev_Pd, numberOfBuses*sizeof(float));
cudaStat8 = cudaMalloc((void**)&dev_Qd, numberOfBuses*sizeof(float));
cudaStat9 = cudaMalloc((void**)&dev_Vmag, numberOfBuses*sizeof(float));
cudaStat10 = cudaMalloc((void**)&dev_theta, numberOfBuses*sizeof(float));
cudaStat11 = cudaMalloc((void**)&dev_Peq, numberOfBuses*sizeof(float));
cudaStat12 = cudaMalloc((void**)&dev_Qeq, numberOfBuses*sizeof(float));
cudaStat13 = cudaMalloc((void**)&dev_Peq1, numberOfBuses*sizeof(float));
cudaStat14 = cudaMalloc((void**)&dev_Qeq1, numberOfBuses*sizeof(float));
...
...
cudaStat15 = cudaMalloc((void**)&dev_powerMismatch, jacSize*sizeof(float));
cudaStat16 = cudaMalloc((void**)&dev_jacobian, jacSize*jacSize*sizeof(float));
cudaStat17 = cudaMalloc((void**)&dev_stateVector, jacSize*sizeof(float));
cudaStat18 = cudaMalloc((void**)&dev_PQindex, jacSize*sizeof(int));

其中cudaStatN的类型为cudaError_t以捕获错误。最后的四个分配是在代码的后面完成的，并且是针对另一个内核的。但是，这些分配是在调用相关内核之前完成的。

启动参数如下：

dim3 dimBlock(16, 16); //number of threads 
dim3 dimGrid((numberOfBuses+15)/16, (numberOfBuses+15)/16);  //number of blocks

//launch kernel once data has been copied to GPU
createYBus<<<dimGrid, dimBlock>>>(dev_R, dev_X, dev_B, numberOfBuses, numLines, dev_fromBus, dev_toBus, dev_y);

//copy results back to CPU
cudaStat6 = cudaMemcpy(y_bus, dev_y, numberOfBuses*numberOfBuses*sizeof(cuComplex), cudaMemcpyDeviceToHost);
if (cudaStat6 != cudaSuccess) {
    cout<<"Device memcpy failed"<<endl;
    cout<<cudaGetErrorString(cudaStat6)<<endl;
    return 1;
}

我删除了时序代码，只是为了显示所使用的块和网格尺寸以及错误检查技术。

我还具有该函数的主机（C ++代码）版本，我将数据传递给两个函数，然后比较结果，首先，确保内核产生正确的结果，其次，在执行时间方面比较性能。我已经仔细检查了2383 x 2383情况的数据（正在从文本文件中读取数据并将其复制到全局内存中），但在数组访问/索引编制中未发现任何异常。

我使用的是Visual Studio 2010，因此尝试使用Nsight查找错误（我不太熟悉Nsight）。摘要报告概述指出：“报告了1个运行时API调用错误。（有关更多信息，请参阅CUDA运行时API调用报告。）在运行时API调用列表中，cudaMemcpy返回错误4-不确定线程​​ID（ 5012）在表中具有任何意义-该数字随每次运行而变化。CUDAmemcheck工具（在命令行中）返回以下内容：

Thank you for using this program
========= Program hit cudaErrorLaunchFailure (error 4) due to "unspecified launch failure" on CUDA API call to cudaMemcpy.
=========     Saved host backtrace up to driver entry point at error
=========
========= ERROR SUMMARY: 1 error

我知道我的内核不是最高效的，因为有许多全局内存访问。为什么更大的矩阵会导致内核崩溃？是否缺少我缺少的数组访问权限？任何帮助将不胜感激。