CUDA Тяга медленная при работе больших векторов на моей машине

Я новичок в CUDA и читаю некоторые руководства по тяге. Я пишу простой, но ужасно организованный код и пытаюсь выяснить ускорение тяги (правильна ли эта идея?). Я пытаюсь добавить два вектора (с 10000000 int) к другому вектору, добавив массив в CPU и добавив device_vector в gpu.

Вот эта вещь:

#include <iostream>
#include "cuda.h"#include "cuda_runtime.h"#include "device_launch_parameters.h"#include <thrust/device_vector.h>
#include <thrust/host_vector.h>

#define N 10000000
int main(void)
{
float time_cpu;
float time_gpu;
int *a = new int[N];
int *b = new int[N];
int *c = new int[N];
for(int i=0;i<N;i++)
{
a[i]=i;
b[i]=i*i;
}
clock_t start_cpu,stop_cpu;
start_cpu=clock();
for(int i=0;i<N;i++)
{
c[i]=a[i]+b[i];
}
stop_cpu=clock();
time_cpu=(double)(stop_cpu-start_cpu)/CLOCKS_PER_SEC*1000;
std::cout<<"Time to generate (CPU):"<<time_cpu<<std::endl;
thrust::device_vector<int> X(N);
thrust::device_vector<int> Y(N);
thrust::device_vector<int> Z(N);
for(int i=0;i<N;i++)
{
X[i]=i;
Y[i]=i*i;
}
cudaEvent_t start, stop;
cudaEventCreate(&start);
cudaEventCreate(&stop);
cudaEventRecord(start,0);
thrust::transform(X.begin(), X.end(),
Y.begin(),
Z.begin(),
thrust::plus<int>());
cudaEventRecord(stop,0);
cudaEventSynchronize(stop);
float elapsedTime;
cudaEventElapsedTime(&elapsedTime,start,stop);
std::cout<<"Time to generate (thrust):"<<elapsedTime<<std::endl;
cudaEventDestroy(start);
cudaEventDestroy(stop);
getchar();
return 0;
}

Результаты процессора появляются очень быстро, но на моей машине GPU работает ОЧЕНЬ медленно (i5-2320,4G, GTX 560 Ti), время процессора составляет около 26 time, время работы GPU — около 30! Я только что сделал ошибку с глупыми ошибками в моем коде? или была более глубокая причина?

Будучи новичком в C ++, я проверял свой код снова и снова и все еще медленнее работал на GPU с тягой, поэтому я провел несколько экспериментов, чтобы показать разницу в вычислении vectorAdd с пятью различными подходами.
Я использую Windows API QueryPerformanceFrequency() как единый метод измерения времени.

Каждый из экспериментов выглядит так:

f = large_interger.QuadPart;
QueryPerformanceCounter(&large_interger);
c1 = large_interger.QuadPart;

for(int j=0;j<10;j++)
{
for(int i=0;i<N;i++)//CPU array adding
{
c[i]=a[i]+b[i];
}
}
QueryPerformanceCounter(&large_interger);
c2 = large_interger.QuadPart;
printf("Time to generate (CPU array adding) %lf ms\n", (c2 - c1) * 1000 / f);

а вот мой простой __global__ функция для добавления массива GPU:

__global__ void add(int *a, int *b, int *c)
{
int tid=threadIdx.x+blockIdx.x*blockDim.x;
while(tid<N)
{
c[tid]=a[tid]+b[tid];
tid+=blockDim.x*gridDim.x;
}
}

и функция называется как:

for(int j=0;j<10;j++)
{
add<<<(N+127)/128,128>>>(dev_a,dev_b,dev_c);//GPU array adding
}

Я добавляю вектор a [N] и b [N] к вектору c [N] для цикла 10 раз:

1. добавить массив на CPU
2. добавить std :: vector на процессор
3. добавить thrust :: host_vector на ЦП
4. добавить тягу :: устройство_вектор на GPU
5. добавить массив на GPU. и вот результат

с N = 10000000

и я получаю результаты:

1. Добавление массива процессора 268.992968мс
2. CPU std :: vector, добавляющий 1908.013595ms
3. CPU Thrust :: host_vector добавление 10776.456803ms
4. GPU Thrust :: device_vector добавление 297.156610ms
5. Добавление массива GPU 5.210573мс

И это меня смутило, я не знаком с реализацией библиотеки шаблонов. Действительно ли так сильно различалась производительность между контейнерами и структурами необработанных данных?