最近，我一直在嘗試使用 Numba 庫在 Python 中進行 GPU 編程。我一直在使用那里的教程在他們的網站上閱讀它，目前我陷入了他們的示例，可以在這里找到：https: //numba.pydata.org/numba-doc/latest/cuda/examples。 html。我試圖稍微概括一下快速矩陣乘法的示例（其形式為 A*B=C）。在測試時，我注意到尺寸不能完全被每塊線程數 (TPB) 整除的矩陣不會產生正確的答案。我從https://numba.pydata.org/numba-doc/latest/cuda/examples.html的示例中復制了下面的代碼，并創建了一個帶有 4 x 4 矩陣的非常小的測試用例。如果我選擇 TPB=2 一切都很好，但是當我設置 TPB=3 時就會出錯。我知道代碼超出了矩陣的范圍，但我無法阻止這種情況發生（我在ty + i * TPB和tx + i * TPB上嘗試了一些 if 語句，但這些不起作用。from numba import cuda, float32import numpy as npimport [email protected] fast_matmul(A, B, C):    # Define an array in the shared memory    # The size and type of the arrays must be known at compile time    sA = cuda.shared.array(shape=(TPB, TPB), dtype=float32)    sB = cuda.shared.array(shape=(TPB, TPB), dtype=float32)    x, y = cuda.grid(2)    tx = cuda.threadIdx.x    ty = cuda.threadIdx.y    bpg = cuda.gridDim.x    # blocks per grid    if x >= C.shape[0] and y >= C.shape[1]:        # Quit if (x, y) is outside of valid C boundary        return    # Each thread computes one element in the result matrix.    # The dot product is chunked into dot products of TPB-long vectors.    tmp = 0.    for i in range(bpg):        # Preload data into shared memory        sA[tx, ty] = A[x, ty + i * TPB]        sB[tx, ty] = B[tx + i * TPB, y]        # Wait until all threads finish preloading        cuda.syncthreads()        # Computes partial product on the shared memory        for j in range(TPB):            tmp += sA[tx, j] * sB[j, ty]        # Wait until all threads finish computing        cuda.syncthreads()    C[x, y] = tmp#%%x_h = np.arange(16).reshape([4,4])y_h = np.ones([4,4])z_h = np.zeros([4,4])x_d = cuda.to_device(x_h)y_d = cuda.to_device(y_h)z_d = cuda.to_device(z_h)我想編寫一些不依賴于尺寸可以被 TPB 整除的矩陣 A、B 和 C 的代碼，因為這些有時超出了我的控制范圍。據我所知，GPU 僅在對非常大的矩陣進行矩陣乘法時速度更快，但我想使用小示例來檢查答案是否正確，然后再將其應用于實際數據。