CUDA Academy · Lektion

Dynamischer Shared Memory

Legen Sie die Größe des Shared Memory beim Start fest.

Dynamischer Shared Memory ist eine kostenlose CUDA Academy-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des CUDA Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der CUDA Academy-Kurs umfasst insgesamt 4 Lektionen.

Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.

When Size Is Not Known Yet

Sometimes the shared array size depends on a runtime value, so you cannot hardcode it. CUDA solves this with dynamic shared memory.

The extern Declaration

You declare it with extern __shared__ and empty brackets. No size goes in the code, so the compiler leaves it open.

extern __shared__ float sdata[];

Size Set at Launch

You pass the byte count as the third launch parameter, between the thread count and the closing brackets. That sets the size at runtime.

kern<<<blocks, threads, n * sizeof(float)>>>();

It Is Always in Bytes

A classic bug: that third argument is the size in bytes, not elements. Always multiply your count by sizeof to get it right.

Default Is Zero Bytes

If you skip the third argument, CUDA reserves zero dynamic shared memory. Reading sdata then is undefined behavior, so never forget it.

Static and Dynamic Together

You can use both kinds in one kernel. Static arrays keep fixed sizes while the dynamic block flexes with the launch argument.

One Buffer, Many Arrays

Dynamic shared memory gives you one flat buffer. To hold several arrays, you carve it up yourself with pointer offsets. 🔪

Carving With Offsets

Point a second array partway into the buffer. Just be careful to align each piece so a float never starts mid-word.

extern __shared__ float buf[];
float* a = buf;
float* b = &buf[blockDim.x];

Why Bother With Dynamic

It lets one compiled kernel serve many tile sizes. You tune the shared size per launch without recompiling for each case.

Watch the Hardware Limit

You still cannot exceed the per-block maximum. Ask for too many bytes at launch and the kernel simply fails to start.

Opting Into Large Allocations

To go past the default cap on newer GPUs, you must opt in with cudaFuncSetAttribute before the launch. Otherwise big requests are rejected.

Quick Check

Let us check how dynamic shared memory is sized.

Recap

You learned that extern __shared__ arrays get their byte size at launch, can be sliced into several arrays, and respect the per-block limit. Course complete! 🎉

Häufig gestellte Fragen

Ist die Lektion „Dynamischer Shared Memory“ kostenlos?

Ja — der vollständige Text von „Dynamischer Shared Memory“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des CUDA Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der CUDA Academy-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Dynamischer Shared Memory“?

Legen Sie die Größe des Shared Memory beim Start fest. Du übst CUDA Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um CUDA Academy zu starten?

Keine Vorkenntnisse erforderlich. CUDA Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.

Wie lange dauert die Lektion „Dynamischer Shared Memory“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser CUDA Academy-Lektion Code schreiben und ausführen?

Ja. Jede CUDA Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

← Zurück zu CUDA Academy