CUDAでのメモリアクセス性能が非常に悪い

Question

私はCUDAの新機能で、テストプログラムを作成しようとしています。 私はGeForce GT 520カードでアプリケーションを実行していますが、パフォーマンスが非常に悪くなっています。

アプリケーションは、各行が別のスレッドで処理されるイメージを処理するために使用されます。 以下は、アプリケーションの簡略化されたバージョンです。実際のアプリケーションでは、すべての定数は実際には呼び出し元である変数です。

以下のコードを実行すると、の実行には12時間以上かかるが必要です。

しかしl_SrcIntegralがローカル配列（これはコメント行に表示される）として定義されている場合のmalloc /フリーを使用してとは対照的に、それが実行を完了するために1秒より未満を要します。

実際の配列のサイズは動的であり（1700ではなく）、このローカル配列は実際のアプリケーションでは使用できません。

どのようにこの簡単なコードのパフォーマンスを向上させるためのアドバイスをいただければ幸いです。

#include "cuda_runtime.h" 
#include <stdio.h> 

#define d_MaxParallelRows 320 
#define d_MinTreatedRow 5 
#define d_MaxTreatedRow 915 
#define d_RowsResolution 1 
#define k_ThreadsPerBlock 64 

__global__ void myKernel(int Xi_FirstTreatedRow) 
{ 
    int l_ThreadIndex = blockDim.x * blockIdx.x + threadIdx.x; 
    if (l_ThreadIndex >= d_MaxParallelRows) 
    return; 
    int l_Row = Xi_FirstTreatedRow + (l_ThreadIndex * d_RowsResolution); 
    if (l_Row <= d_MaxTreatedRow) { 

    //float l_SrcIntegral[1700]; 
    float* l_SrcIntegral = (float*)malloc(1700 * sizeof(float)); 

    for (int x=185; x<1407; x++) { 
     for (int i=0; i<1700; i++) 
     l_SrcIntegral[i] = i; 
    } 

    free(l_SrcIntegral); 
    } 
} 

int main() 
{ 
    cudaError_t cudaStatus; 

    cudaStatus = cudaSetDevice(0); 

    int l_ThreadsPerBlock = k_ThreadsPerBlock; 
    int l_BlocksPerGrid = (d_MaxParallelRows + l_ThreadsPerBlock - 1)/l_ThreadsPerBlock; 

    int l_FirstRow = d_MinTreatedRow; 
    while (l_FirstRow <= d_MaxTreatedRow) { 
    printf("CUDA: FirstRow=%d\n", l_FirstRow); 
    fflush(stdout); 

    myKernel<<<l_BlocksPerGrid, l_ThreadsPerBlock>>>(l_FirstRow); 

    cudaDeviceSynchronize(); 

    l_FirstRow += (d_MaxParallelRows * d_RowsResolution); 
    } 

    printf("CUDA: Done\n"); 

    return 0; 
}