3.3 全局存储器优化
在CUDA的存储器结构中，全局存储器是最慢的，其延迟在几百个时钟，但是其容量是最大的，我们使用cudaMalloc函数分配的指针都是指向全局存储器空间的，我们不可能避开它们的使用。这两个因素使得全局存储器的使用对CUDA 程序的性能至关重要。
3.3.1 合并访问
为了提高访问全局存储器的效率，CUDA 提供了一种称为合并访问的机制来加速全局存储器的访问。在计算能力1.0和1.1的设备上，合并访问能够在一次存储器访问中访问最多达16个数据；在计算能力1.2和1.3的设备上，合并访问一次最多能够访问32个数据。另外线程间的切换也能够隐藏全局存储器的访问延迟。
所谓合并访问就是尽量要求相邻的线程访问相邻的地址空间，当然在不同计算能力的设备上，其具体要求有所差别，在１．０和１．１的设备上，合并访问要求第ｋ个线程访问对齐的第ｋ个存储地址，必须对齐，不能交叉，而１．２以上的设备没有此要求。
对于不同的数据类型，合并访问的带宽不相同，一般而言使用四字节的数据类型比较好，但是并不绝对，在某些情况下，使用８字节或１６字节的数据性能可能会更好，尤其是在满足１．０和１．１设备的合并访问条件下。
在设计的时候要考虑到全局存储器的合并访问，并以此为要求来设计，比如在必要的时候对矩阵进行转置。对数据的组织方式加以改变。