请教大家个编程问题：
现在我有1万个数据，算完后要输出100万个数据。以下两种编程结构不知道哪种好？
1.把1万个input data分成1万/200（=50）个循环，每次循环里面分100万/200（=5000）个block，每个
block含200个thread（太多了share mem不够）。每次循环里面，每个block都算相同的200个input data
，算完后得到200个参数B分别存到200个block的share mem里，然后每个block里再走200个内循环，每个
循环里每个thread读取存于share mem里的同一个参数B做不同的计算，然后不同循环次数间做加和。
2.直接把input data分成1万/200（=50）个block，并行算好1万个参数B，存入global mem里。然后再分
100万个thread，每个thread都走1万次循环，每次循环里每个thread都同时读global mem里的同一个数
据做不同运算，不同循环间做加和。
要做的循环次数一样，但是第一种利用share mem做更多的读写操作；而第二种似乎并行度更高，但可能
对global mem的读写比share mem慢。大家觉得哪种方式好呢？
[
楼主您好！您的帖子有些地方没有看懂，可否解释下？如下：
（1）"每个block都算相同的200个input data，算完后得到200个参数B“
（2）“每个循环里每个thread读取存于share mem里的同一个参数B做不同的计算”
（3）“每次循环里每个thread都同时读global mem里的同一个数据做不同运算”
或者您不解释，稍微整理一下您的话也可以。
谢谢。呵呵。
好的~大概情况就是有10000个输入物体，我要算他们在某一平面上的电磁波衍射场分布，我对这个二维平面做离散化，大概是10001000像素，每个像素对应不同的空间平面位置。然后每个输入物体都要先做预处理，算出每个图形对应的参数B。对于每一个参数B，它衍射到平面上不同位置的值是不同的，也就是说对于同一个B，会有10001000（100万）个不同的输出值。而对于不同的B得到的对应输出值，要求和。
思路1：
“每个block都算相同的200个input data，算完后得到200个参数B“大概想表达的是，先并行地算前200个物体，算出其对应的200个参数B。这时候不同的block都做相同的操作，即仅仅是在block内有200个并行运算，block间算的东西都是相同的。这样做的目地是希望把200个B参数都放到share mem里，而share mem的读写效率较高。
“每个循环里每个thread读取存于share mem里的同一个参数B做不同的计算”。由于对于同一个参数B，最终是要输出10001000个不同的输出值的，所以我想对10001000做并行运算。具体来说就是，对于block 1 内的200 个thread，同时读取block 1内的share mem的参数 B1，会算出200个对应不同空间平面位置的输出值；而block 2内的200个thread也读block 2内的share mem的参数B1（正如上一段所说，不同block间share mem存储的参数B是一样的）。block 2也并行计算另外200个不同空间平面位置的输出值；block 3……一直到block (100万/200=)5000。于是一个参数B就能算得100万个不同的衍射场分布值。而对应第二个参数B （B2），则开始第二次内循环，同样从block 1 到 block 5000都并行地算出100万个不同的衍射场分布值。B2对应的衍射场分布值要与B1的衍射场分布值线性叠加。所以要把第一次算的200个参数B对应的衍射场分布叠加完，每个block内要走200次内循环。上面我引号里的那句话的"每个循环里"，指的是针对参数BN的第N次block内循环。
做完block内的200个内循环的加和之后，开始算1000个物体里的第201-400个物体，即开始第2次外循环。外循环(10000/200=)50次。
思路2：
先分(1万/200=)50个block，把1万个物体对应的1万个参数B先并行地算好，存入global mem。然后再重新分配block数，这时分成(100万/200=)50000个block。走1万次循环，每次循环读取不同的参数B。同样的，对应不同的参数B，要输出100万个不同的衍射场分布值，所以在每次循环内，100万个thread都相应与100万个不同位置做不同计算，但是出入参数都为相同的B，“每次循环里每个thread都同时读global mem里的同一个数据做不同运算”。
个人觉得思路1主要是利用share mem的高读写效率。因为毕竟对于同一个参数B，要算100万个衍射场分布值，要读很多次。但是share mem的大小又极有限……而思路2则感觉上并行程度更高，但是据说global mem的读写比share mem慢很多很多……所以有点不知道怎样好？大家还有更好的思路吗？谢谢啊！
这个问题确实不好主管臆断说哪种方法最好，解决最科学的方法是你都实现一下，做个时间上的对比测试，工作量应该不会太大。
如果没这个时间，我个人建议用第二种方法，因为CPU和GPU频繁通信所带来的时间代价可能比GPU片上读取显存要更大。