CUDA C++必须用nvcc编译，因g++不识别__global__等关键字；.cu文件需用nvcc -o输出；kernel启动三尖括号非模板语法，须填运行时确定的grid/block尺寸；数据须显式拷贝，注意方向与同步；__global__函数无返回值，禁用STL，可用thrust替代。
CUDA C++ 代码必须用 nvcc 编译，不能用 g++/clang++ 直接编译
CUDA C++ 不是“加个 flag 就能跑的 C++”，nvcc 是专用编译器，负责拆分主机（host）和设备（device）代码。用 g++ 直接编译 .cu 文件会报一堆 undefined reference to 'cudaLaunchKernel' 或 __global__ 语法错误——因为 g++ 根本不认识 __global__、__device__ 这些关键字。
实操建议：
- 源文件后缀必须为
.cu（哪怕里面只有纯 C++ 函数） - 编译命令固定用：
nvcc -o myapp myapp.cu - 如果要链接 OpenCV 或其他库，把
-lopencv_core等放nvcc命令末尾，别写在前面 - 调试时加
-Xcompiler -g让主机端支持 gdb，但设备端调试得用cuda-gdb
kernel 启动语法里 >> 不是模板，是运行时配置，括号里不能写变量名
my_kernel>>(arg1, arg2) 这个三尖括号不是 C++ 模板语法，而是 nvcc 特殊解析的 kernel 启动符。里面填的是运行时确定的整数：线程块数量（grid）和每块线程数（block），不能是未初始化变量或非常量表达式。
常见错误现象：
立即学习“C++免费学习笔记（深入）”；
-
error: expected an expression—— 写了my_kernel>>()，但N和M是函数参数或运行时读入的值（必须是常量？不，其实是允许变量，但必须是已知值；真正错因常是类型不对，比如传了size_t却没显式转int） - 启动后卡死或结果全零 ——
grid算少了，比如用(N / block)忘了向上取整，导致最后几个元素没被覆盖
正确做法：
- 用
(N + block - 1) / block算 grid 维度 - block 大小优先选 32 的倍数（如 128、256），避开 17、43 这种非 warp 对齐值（否则浪费资源）
- 启动前加
cudaError_t err = cudaGetLastError(); if (err != cudaSuccess) printf("%s\n", cudaGetErrorString(err));，否则 kernel 失败静默吞掉
GPU 显存和 CPU 内存不互通，所有数据都要显式拷贝
写完 kernel 一运行就 cudaErrorInvalidValue 或结果乱码？八成是忘了把输入数据从 CPU 内存搬到 GPU 显存。GPU 不能直接读 int* h_data = new int[N]，必须用 cudaMalloc 分配显存，再用 cudaMemcpy 拷过去。
关键细节：
-
cudaMalloc(&d_data, N * sizeof(int))分配的是 device 指针，类型是int*，但语义上它不能传给普通函数 - 拷贝方向容易搞反：
cudaMemcpy(d_data, h_data, ..., cudaMemcpyHostToDevice)，第三个参数别写成cudaMemcpyDeviceToHost - 别在 kernel 调用后立刻
cudaMemcpy回 CPU —— 默认是异步的，得先cudaDeviceSynchronize()，否则可能读到旧数据 - 显存不释放会累积泄漏，对应
cudaFree(d_data)，且不能对同一指针调两次
__global__ 函数不能有返回值，也不能调用标准 C++ STL 容器
想让 kernel 返回一个 std::vector<float>？不行。写 __global__ void foo() { return 42; }？编译直接报错。GPU kernel 是 void 函数，所有输出都靠写显存地址实现。
为什么限制这么死？因为 kernel 在成百上千个并行线程里执行，没有统一“返回”概念；STL 容器依赖主机堆管理、异常、RTTI 等，GPU 端 runtime 不提供。
替代方案：
- 输出结果写进预分配的 device 数组（
float* d_out），CPU 端再拷回来 - 需要动态数组？用
thrust::device_vector（需包含<thrust/device_vector.h>），它是 CUDA 封装好的、可在 device 上构造的容器 - 想用 sort 或 reduce？直接调
thrust::sort(d_begin, d_end)，底层自动 dispatch 到 GPU，比手写 kernel 更快也更稳
设备端能用的数学函数有限，比如 sqrtf()（单精度）可用，std::sqrt() 不行；printf 在 kernel 里能用但仅限于计算能力 2.0+ 且要加 -arch=sm_35 类似参数，还只支持基础格式符。
