在中介绍了使用一个包含N个线程的线程块和共享内存进行数组归约求和，

 基本思路：

　　定义M个包含N个线程的线程块时（NThreadX = ((NX + ThreadX - 1) / ThreadX)），全局线程索引需使用tid = blockIdx.x * blockDim.x + threadIdx.x，而在每个线程块中局部线程索引是i = threadIdx.x，

每个线程块只计算一部分求和，求和结果保存在该线程块中的共享内存数组0号元素中，线程结束后将该值赋给对应全局数组（blockIdx.x * blockDim.x）元素中，最后在CPU端使用循环将每个线程块所求和相加，即得到最后结果。

代码如下：

#pragma once#include "cuda_runtime.h"#include "device_launch_parameters.h"#include "device_functions.h"#include 
     
      using namespace std;const int NX = 10240;            //数组长度const int ThreadX = 256;        //线程块大小//使用shared memory和多个线程块__global__ void d_SharedMemoryTest(double *para){    int i = threadIdx.x;                                    //该线程块中线程索引    int tid = blockIdx.x * blockDim.x + threadIdx.x;        //M个包含N个线程的线程块中相对应全局内存数组的索引（全局线程）    __shared__ double s_Para[ThreadX];                        //定义固定长度（线程块长度）的共享内存数组    if (tid < NX)                                            //判断全局线程小于整个数组长度NX，防止数组越界        s_Para[i] = para[tid];                                //将对应全局内存数组中一段元素的值赋给共享内存数组    __syncthreads();                                        　//(红色下波浪线提示由于VS不识别，不影响运行)同步，等待所有线程把自己负责的元素载入到共享内存再执行下面代码        for (int index = 1; index < blockDim.x; index *= 2)        //归约求和    {        __syncthreads();        if (i % (2 * index) == 0)        {            s_Para[i] += s_Para[i + index];        }    }        if (i == 0)                                                //求和完成，总和保存在共享内存数组的0号元素中        para[blockIdx.x * blockDim.x + i] = s_Para[i];        //在每个线程块中，将共享内存数组的0号元素赋给全局内存数组的对应元素，即线程块索引*线程块维度+i（blockIdx.x * blockDim.x + i）}//使用shared memory和多个线程块void s_ParallelTest(){    double *Para;    cudaMallocManaged((void **)&Para, sizeof(double) * NX);        //统一内存寻址，CPU和GPU都可以使用    double ParaSum = 0;    for (int i = 0; i
      
       > > (Para);                //调用核函数（M个包含N个线程的线程块）    cudaDeviceSynchronize();                            //同步    for (int i=0; i
      
     

 结果如下（CPU和GPU结果一致）：