RTX 3060 Laptop与Tesla T4的CUDA代码性能对比及问题咨询

近期正在学习C++与CUDA编程，将一个波矢计算函数移植到CUDA平台，已在两个系统中完成性能测试：

• Google Colab：Intel Xeon 2.30GHz CPU、12281932 kB可用内存、Tesla T4 16GB GPU
• WSL2（Windows11）：Intel Core i5-10500H 2.50GHz CPU、7617120 kB可用内存、RTX 3060 Laptop 6GB GPU

运行时间测试结果 #

存在的疑问 #

1. 尽管GPU与CPU的GFLOPS相近，但使用(512x1x1)线程块并行计算时，WSL2下CUDA版本性能未优于C++嵌套循环版本，原因是什么？
2. 将rx、ry、rz从500改为1000时，Google Colab运行正常，但WSL2下C++版本被内核OOM Killer终止，CUDA版本打印结果时出现段错误（调整为(512x1x1)块后段错误消失），其中数据量为3906250 kB，理论上可容纳，请问遗漏了什么？

优化建议及参考资料需求 #

希望获取该CUDA代码的优化建议及相关参考资料。

编译方式 #

• C++版本：g++ -o wavevector_cpp wavevector_cpp.cpp -O3
• CUDA版本：nvcc -o wavevector_cuda wavevector_cuda.cu -arch=sm_86

内容的提问来源于stack exchange，提问作者Felipe_SC