关于共享存储器使用的问题

[celloasleep]

我在XP上用VS开发CUDA程序，使用了cuda_vs_wizard.
定义了两个位于共享存储器中的数组变量，一个用来存放系数，另一个用来归约。
第一个数组中的数据经过一些计算后将结果存入第二个数组，并进行归约算法求和。
但后来发现，第一个数组的大小会影响后面归约算法的执行时间。
当共享数组总大小小于4096 float时（即不到16KB时），程序执行时间最少；当第一个数组大小等于或超过4096 float时（即超过16KB时），程序执行时间就开始增加。

难道kernel的执行时间与共享存储器的大小有关吗？？？求解。。。

==============================================================================

Fermi白皮书上说Fermi中每个BLOCK共有64KB的共享内存，而可以将它们配置成48 KB的共享内存+16KB的一级缓存 或者是 16 KB 的共享内存+ 48KB 的一级缓存。
请问，具体怎么配置呢？共享内存和L1 cache有什么区别吗？

我使用的视频卡是GTX465， 通过DeviceQuery得到的结果是:
Total amount of shared memory per block : 49152 bytes
这意味着465中共享存储器默认的配置是 48KB的共享内存+16KB的一级缓存吗？
那这16KB的一级缓存如何使用呢？

[linxxx3]

默认的配置就是16K L1 cache + 48K shared mem，想要另外一种配置可以查看programming guide，好像中文版都有了。
16K的L1 cache是给程序使用的数据缓存，程序员是看不到的。
lz需要处理更大规模的数据应该考虑分批加载到shared mem中

[celloasleep]

楼上冒似没有理解我的意思，既然有48K 的共享内存，那为什么我只用其中的16K时，归约算法的执行时间最短呢，而当使用的共享存储器大小超过16K时，归约执行时间就成倍上升了。
这使我想到，这16K和超过16K的部分是否属于同一类型的共享内存？

[linscs]

一般是共享存储器使用越多，程序执行时间越长。因为一个SM中活动块使用的共享存储器不能超过SM自身的限制（一般是16KB），block中使用的共享存储器越多，一个SM中能共存的的活动block就越少，这样就不能很好的隐藏延迟