STL отображается, всегда дают то же упорядочивание, когда итерация от начинает () заканчиваться ()?

Прежде всего, я повторю свой комментарий: графические процессоры имеют высокую пропускную способность и большую задержку. Попытка заставить GPU превзойти CPU для выполнения наносекундной работы (или даже миллисекунды или второй работы) полностью упускает смысл делать GPU. Ниже приведен простой код, но для того, чтобы по-настоящему оценить преимущества производительности графического процессора, вам потребуется большой размер проблемы, чтобы амортизировать затраты на запуск по сравнению с ... в противном случае это бессмысленно. Я могу обыграть Ferrari в двухфутовой гонке, просто потому, что нужно повернуть ключ, запустить двигатель и нажать педаль. Это не значит, что я быстрее, чем Ferrari.

Используйте что-то подобное в C ++:

  #define N (1024*1024)
  #define M (1000000)
  int main()
  {
     float data[N]; int count = 0;
     for(int i = 0; i < N; i++)
     {
        data[i] = 1.0f * i / N;
        for(int j = 0; j < M; j++)
        {
           data[i] = data[i] * data[i] - 0.25f;
        }
     }
     int sel;
     printf("Enter an index: ");
     scanf("%d", &sel);
     printf("data[%d] = %f\n", sel, data[sel]);
  }

Используйте что-то вроде этого в CUDA / C:

  #define N (1024*1024)
  #define M (1000000)

  __global__ void cudakernel(float *buf)
  {
     int i = threadIdx.x + blockIdx.x * blockDim.x;
     buf[i] = 1.0f * i / N;
     for(int j = 0; j < M; j++)
        buf[i] = buf[i] * buf[i] - 0.25f;
  }

  int main()
  {
     float data[N]; int count = 0;
     float *d_data;
     cudaMalloc(&d_data, N * sizeof(float));
     cudakernel<<<N/256, 256>>>(d_data);
     cudaMemcpy(data, d_data, N * sizeof(float), cudaMemcpyDeviceToHost);
     cudaFree(d_data); 

     int sel;
     printf("Enter an index: ");
     scanf("%d", &sel);
     printf("data[%d] = %f\n", sel, data[sel]);
  }

Если это не сработает, попробуйте увеличить N и M больше или изменяя 256 на 128 или 512.