关于原子函数的问题

加速计算 CUDA
1 

#include <stdlib.h>
#include <stdio.h>
#include <cuda_runtime.h>  

__global__ void kernel(__int64* d1,double* d2,unsigned long long int*auto_t1,unsigned long long int*auto_t2)
{ 
int idx=blockIdx.x*blockDim.x+threadIdx.x;

if ( idx<128 )
{ 

//面积坐标积分点

d2[idx*9+0]=0.5;   
d2[idx*9+1]=0.5;   
d2[idx*9+2]=0;
d2[idx*9+3]=0;   
d2[idx*9+4]=0.5;   
d2[idx*9+5]=0.5;
d2[idx*9+6]=0.5;   
d2[idx*9+7]=0;   
d2[idx*9+8]=0.5;

auto_t1[idx]=unsigned long long int(123.456);
auto_t2[idx]=unsigned long long int(0.0);
atomicAdd(&(auto_t2[idx]),auto_t1[idx]);
d1[0]=__int64(auto_t2[idx]); 
}
}


main()
{
__int64* d1;
cudaMalloc((void**)&d1,sizeof(__int64)*128);
cudaMemset(d1,0,sizeof(__int64)*128);

double* d2;
cudaMalloc((void**)&d2,sizeof(double)*128);
cudaMemset(d2,0,sizeof(double)*128);


unsigned long long int *auto_t1;
cudaMalloc((void**)&auto_t1,sizeof(unsigned long long int)*9*128);
cudaMemset(auto_t1,0,sizeof(unsigned long long int)*9*128);

unsigned long long int *auto_t2;
cudaMalloc((void**)&auto_t2,sizeof(unsigned long long int)*128);
cudaMemset(auto_t2,0,sizeof(unsigned long long int)*128);

kernel<<<1,128>>>(d1,d2,auto_t1,auto_t2);

__int64 ha[1];
cudaMemcpy(ha,d1,sizeof(__int64),cudaMemcpyDeviceToHost);
printf("%lld\n",ha[0]);

}

设想，输出的结果应该为123，但是实际输出值为0；
此外，当把kennel里d2值为零的代码注释掉之后，结果就正确了。
d2[idx*9+0]=0.5;   
d2[idx*9+1]=0.5;  
 
//d2[idx*9+2]=0;
//d2[idx*9+3]=0;  
   
d2[idx*9+4]=0.5;   
d2[idx*9+5]=0.5;
d2[idx*9+6]=0.5;   

//d2[idx*9+7]=0;  
   
d2[idx*9+8]=0.5;