矩阵乘以向量，如何优化

加速计算 CUDA
1

小弟刚入手CUDA，拿一个简单程序做例子。
显卡 GTX460 SE
a是一个1000010000的矩阵，用一个一维数组保存，b是大小为10000的向量，也是一个一维数组，求 ax = ab
数据类型都是float。
block是一维的，用1024个线程，grid也是一维的，用10个block。
程序中使用到了shared memory和合并访问，所以a数组是已经被转置过的。
现测试，所用时间是17ms，但是用CUBLAS库的cublasSgemv函数，只需要6ms。
求高人指点，如何优化？？

host端调用kernel，如下：

int main()
{
int n = 10000;
mat_mul_vec<<<10, 1024>>>(n, a, b, ax);
}

device端代码如下：

global void mat_mul_vec(int n, const float *a, const float *b, float *ax)
{
int i;
int tx = threadIdx.x;
int id = blockIdx.x * blockDim.x + threadIdx.x;

float temp = 0.0f;
__shared__ float s_v[10000];

for (i = 0; i + tx < n; i+= 1024)
{
	s_v[i + tx] = x[i + tx]
	__syncthreads();
}

if (id < n)
{
	for (i = 0; i < n; i++)
		temp += a[i * n + id] * s_v[i];
	ax[id] = temp;
}

}