CUDA矩阵转置Kernel随机失效问题求助

大家好，我最近在写CUDA矩阵转置的代码，碰到了一个挺头疼的问题：小尺寸的矩阵转置完全符合预期，但换成更大的尺寸（比如480），或者多次运行程序时，结果就会异常，甚至偶尔会崩溃。

我的实现思路是把整个矩阵拆分成n×n的块，每个块启动SEGMENT_SIZE个线程，每个线程负责处理自己所在块的一列。目前我假设MATRIX_SIZE是能被SEGMENT_SIZE整除的。

下面是我的调用参数和Kernel代码：

调用部分代码： #

#define MATRIX_SIZE 64
#define SEGMENT_SIZE 32

int n_block = (MATRIX_SIZE % SEGMENT_SIZE) ? MATRIX_SIZE / SEGMENT_SIZE + 1 : MATRIX_SIZE / SEGMENT_SIZE;

dim3 blocksPerGrid(n_block, n_block);
dim3 threadsPerBlock(SEGMENT_SIZE);

transposeMatrix<<<blocksPerGrid, threadsPerBlock, threadsPerBlock.x * threadsPerBlock.x * sizeof(float)>>>(d_data, MATRIX_SIZE);

Kernel实现： #

__global__ void transposeMatrix(float *d_data, int mat_dim)
{
    // 共享内存数组
    extern __shared__ float sdata[];

    for (int i = 0; i < blockDim.x; i++)
    {
        sdata[blockDim.x * i + threadIdx.x] = d_data[(i + blockIdx.y * blockDim.x) * mat_dim + (blockDim.x * blockIdx.x + threadIdx.x)];
    }

    __syncthreads();

    for (int i = 0; i < blockDim.x; i++)
    {
        d_data[(i + blockIdx.y * blockDim.x) + (threadIdx.x + blockIdx.x * blockDim.x) * mat_dim] = sdata[threadIdx.x + i * blockDim.x];
    }
}

具体的现象是：当MATRIX_SIZE=64、SEGMENT_SIZE=32时，程序每次运行都没问题，转置结果完全正确；但把MATRIX_SIZE改成480之后，就开始出现异常——有时候运行出来的矩阵转置结果不对，而且不是每次都出错，随机性很强。

有没有大佬能帮我分析下哪里出问题了？

备注：内容来源于stack exchange，提问作者BrightSoul