Укороченная версия

У меня есть ядро, которое запускает много блоков, и я знаю, что для blockIdx.y = 312 происходит нелегальное чтение памяти. Запуск его под cuda-gdb приводит к последовательному выполнению блоков по 16 за раз, и требуется очень много времени, чтобы выполнение достигло этого индекса блока, даже с условной точкой останова.

Есть ли способ изменить порядок блоков потоков, запланированных при работе под cuda-gdb? Если нет, есть ли другая стратегия отладки, которую я мог пропустить?

Более длинная версия

У меня есть базовое ядро ​​свертки CUDA, которое масштабируется с размером проблемы, запуская больше блоков. Существует ошибка для входных изображений с размерами порядка 10_000 x 10_000. Запустив его под cuda-memcheck, я вижу следующее.

...
========= Invalid __global__ read of size 4
=========     at 0x00000150 in convolution_kernel_sharedmem(float*, float*, float*)
=========     by thread (30,31,0) in block (0,312,0)
...

Похоже, что все нелегальные доступы происходят для blockDim.y = 312. Таким образом, при запуске с cuda-gdb одновременно запускается 16 блоков, начиная с (0, 0, 0). Я установил условную точку останова в ядре, чтобы остановиться на нужном индексе блока, но это занимает очень много времени.

Есть ли способ изменить порядок, в котором блоки потоков планируются на устройстве? Если нет, есть ли альтернативная стратегия отладки, которую я мог пропустить?

P.S: Я знаю, что могу использовать циклы с шагом сетки вместо запуска этих многочисленных блоков, но я хотел бы знать, что не так с этой конкретной реализацией.