核函数必须用__global__修饰且返回void，参数按值传递并指向设备内存，需cudaMalloc分配、cudaMemcpy拷贝、cudaDeviceSynchronize同步；启动语法为kernel<<<grid,block>>>，编译必须用nvcc。
核函数定义必须用 __global__ 修饰
不加这个关键字，编译器根本不会把它当 GPU 函数处理，链接时会报 undefined reference to 'kernel_name'。它不是可选语法糖，是 CUDA 编译器识别核函数的硬性标记。
-
__global__函数返回类型只能是void，哪怕你只想要一个状态码也不行 - 不能有非 void 返回值，也不能是类成员函数（除非显式绑定到对象指针并传入）
- 参数全部按值传递，指针参数指向的是设备内存——别直接传 host 数组地址
调用前必须先分配设备内存并拷贝数据
GPU 不能直接读 host 内存，cudaMemcpy 不是可选步骤，漏掉或方向写反（比如用 cudaMemcpyHostToDevice 却传了设备指针）会导致核函数读到全零或乱码。
- 用
cudaMalloc分配 device 内存，对应cudaFree释放，别混用malloc/free - 拷贝方向要严格匹配：host → device 用
cudaMemcpyHostToDevice，device → host 用cudaMemcpyDeviceToHost - 核函数执行完必须调用
cudaDeviceSynchronize()才能安全读回结果，否则可能拿到旧数据
启动语法里三个维度括号容易写错顺序
核函数调用后面那对双括号 >> 是 CUDA 特有语法，第一个括号是线程块配置，第二个是流（通常为 0），顺序和含义非常固定。
- 正确写法：
kernel_name>>(args...) -
grid_size和block_size都是整数，不是数组；想用二维布局得用dim3类型，比如dim3 grid(16, 16), block(8, 8) - 第三个参数是 shared memory 大小（字节），不写就是 0；第四个是 stream，不指定就用默认流（0）
- 常见错误：把
block_size写成总线程数（比如 1024），实际应是每块线程数，总块数由grid_size控制
编译必须用 nvcc，不能只靠 g++
CUDA 代码混着 host 和 device 逻辑，g++ 完全不认识 __global__、>> 这些符号，直接编译会报一堆语法错误。
立即学习“C++免费学习笔记（深入）”；
- 源文件后缀建议用
.cu，nvcc才会启用 CUDA 前端解析 - 主机代码（如
main()）和核函数可以写在同一文件里，nvcc会自动分离编译 - 如果用 CMake，得调用
find_package(CUDA)并设置set_source_files_properties(file.cu PROPERTIES LANGUAGE CUDA)，否则仍走 g++ 路径
printf 除外，且需用 __device__ 版本），也不能用 new/delete —— 这些细节在第一次跑出“结果没变”或“程序卡死”时才暴露，但原因往往藏在最基础的修饰符或内存路径里。 
