我有一个问题，每个线程块（1维）必须在共享内存中的数组上运行扫描，并与其他任务一起完成。该数组最多有1024个元素。
是否有任何好的库支持这种类型的操作？
我检查了Thrust和CudPP，但它们都仅适用于数据最初在全局内存中的情况，这不是我想要的，因为我不想为每个小段开始新的内核并将数据复制回全局内存，因为这会产生相当大的开销。
如果没有公共库支持此类操作，那么如果我想要编写此操作仅一次并在几个不同的问题中使用它，您有什么建议？
我的第一个想法是编写一个简单的设备函数来运行扫描操作，但是可能可以从非内核函数调用该设备函数并访问共享内存并执行__syncthreads（）操作吗？
我的另一个想法是在宏中编写整个函数，然后它可以工作，因为预处理器将代码复制到内核代码中，但编写如此复杂的宏并不是使用宏的最佳方法。
附：我有流式多处理器版本2.1，因此无法从另一个内核启动新内核（没有CUDA动态并行性）。