与CUDA并行传输阵列

我在CUDA C中编写了一些非常简单的GPU代码，将数组nums复制到数组vals中。Nums为[4,7,1,9,2]。这就是我想要复制每个元素的方式:

__global__ void makeArray(int*);
int main()
{
  int* d_nums;
  int nums[5];
  nums[0] = 4;
  nums[1] = 7;
  nums[2] = 1;
  nums[3] = 9;
  nums[4] = 2;
  cudaMalloc(&d_nums, sizeof(int)*5);
  makeArray<<<2,16>>>(d_nums);
  cudaMemcpy(nums, d_nums, sizeof(int)*5, cudaMemcpyDeviceToHost);
  for (int i = 0; i < 5; i++)
    cout << i << " " << nums[i] << endl;
  return 0;
}
__global__ void makeArray(int* nums)
{
  int vals[5];
  int threadIndex = blockIdx.x * blockDim.x + threadIdx.x;
  vals[threadIndex%5] = nums[threadIndex%5];
  __syncthreads();
  if (threadIndex < 5)
    nums[threadIndex] = vals[threadIndex];
}

从长远来看，我想使用这种方法将数组从CPU传输到GPU共享内存，但我甚至不能让这个简单的实践文件工作。我希望输出看起来像这样:

0 4
1 7
2 1
3 9
4 2

但是我得到了这个:

0 219545856
1 219546112
2 219546368
3 219546624
4 219546880

我的想法是，通过使用线程索引的模数，它大于这个数组中的元素数量，我可以覆盖所有5个数据点，而不用担心过度读取数组。我也可以同时分配每个数组点，每个线程一个，然后在最后__syncthreads()以确保每个线程都完成复制。显然，这不起作用。的帮助!