cudaStreamCreate必须传地址（如&stream），否则因句柄未初始化导致cudaErrorInvalidValue或崩溃；需用cudaMallocHost分配页锁定内存以支持cudaMemcpyAsync；避免混用默认流，所有操作应显式指定非默认流；同步应使用cudaStreamSynchronize而非cudaDeviceSynchronize；跨流依赖须用事件显式同步。
cudaStreamCreate 创建流时必须传地址，否则段错误
常见错误是把 cudaStream_t 变量直接传给 cudaStreamCreate，比如写成 cudaStreamCreate(stream)。实际必须传指针：cudaStreamCreate(&stream)。否则函数无法写入句柄值，后续所有流操作（如内核启动、cudaMemcpyAsync）都会因流句柄为未初始化的垃圾值而失败，典型表现是 cudaErrorInvalidValue 或静默崩溃。
创建多个流时，每个都要独立调用 cudaStreamCreate 并检查返回值：
cudaStream_t stream_a, stream_b;-
cudaError_t err_a = cudaStreamCreate(&stream_a);// 必须检查 err_a -
cudaError_t err_b = cudaStreamCreate(&stream_b);// 同样不能忽略
cudaMemcpyAsync 要求主机内存页锁定，否则同步失败
用 cudaMemcpyAsync 前，主机内存必须是 pinned memory（页锁定内存）。普通 malloc 或 new 分配的内存不支持异步拷贝，强行使用会导致操作退化为同步行为，甚至触发 cudaErrorInvalidValue。
正确做法是用 cudaMallocHost 或 cudaHostAlloc 分配主机端缓冲区：
立即学习“C++免费学习笔记（深入）”；
-
float* h_data; cudaMallocHost(&h_data, size);// 推荐，自动分配可分页锁定内存 -
cudaHostAlloc(&h_data, size, cudaHostAllocDefault);// 等效 - 对应释放用
cudaFreeHost(h_data)，不是free
这点容易被忽略——即使流创建成功、内核能跑，只要拷贝用的是普通内存，重叠就根本不会发生，整个流水线卡在 H2D 阶段。
默认流会阻塞所有非默认流，别混用
默认流（即不传流参数的 cudaMemcpy 或核函数启动）有特殊语义：它会等待所有其他流完成当前任务后才开始执行；同时，它运行期间，其他流也会被阻塞。这意味着一旦你混用默认流和自定义流，计算与传输重叠就彻底失效。
务必统一使用非默认流：
- 所有
cudaMemcpyAsync显式传入stream_a或stream_b - 所有核函数启动必须带第四个参数：
kernel>>() - 避免任何不带流参数的 CUDA API 调用（包括
cudaDeviceSynchronize()这种全局同步，除非真需要）
一个典型陷阱是：调试时加了 printf 后顺手调用 cudaMemcpy 拷结果回主机——这个没指定流，就掉进默认流陷阱里了。
同步必须按流粒度做，cudaStreamSynchronize 是关键关卡
流之间彼此独立，但你的 CPU 主线程需要知道某一流何时就绪。不能只靠 cudaDeviceSynchronize()，它会等所有流，拖慢整体吞吐。应该对每个流单独同步：
-
cudaStreamSynchronize(stream_a)—— 阻塞直到 stream_a 中所有操作完成 -
cudaStreamQuery(stream_b)—— 非阻塞轮询，返回cudaSuccess或cudaErrorNotReady，适合做状态检查
注意：流销毁前必须确保它已空闲，否则 cudaStreamDestroy 行为未定义。所以典型收尾顺序是：cudaStreamSynchronize → cudaStreamDestroy。
最易被忽略的一点：流内操作虽按序执行，但不同流间无执行顺序保证。如果你依赖 stream_b 的输出作为 stream_a 的输入，不能只靠“先启 b 后启 a”来假设顺序——必须用 cudaEventRecord + cudaStreamWaitEvent 显式建依赖，否则结果不可预测。
