CPU/GPU分区 - 识别在GPU上运行的CPU和段中运行的代码段。对于GPU编码器识别CUDA内核的不同方式，请参阅内核创建。CPU和GPU之间的记忆转移成本是内核创建算法的重要考虑因素。

内核分区完成后，GPU编码器分析了CPU和GPU分区之间的数据依赖性。CPU和GPU之间共享的数据分配在GPU内存上（通过使用cudamalloc或者cudamallocmaned蜜蜂）。该分析还确定了必须使用CPU和GPU之间数据复制数据的最小位置集cudamcpy。如果在CUDA中使用统一的内存，则相同的分析通过还确定代码中的最小位置cudadevicesync必须插入呼叫以获取正确的功能行为。

接下来，在每个内核中，GPU编码器可以选择将数据映射到共享内存或常数内存。如果明智地使用，这些记忆是GPU存储器层次结构的一部分，并可能导致更大的内存带宽。有关GPU编码器如何选择映射到共享内存的信息，请参见模板处理。有关GPU编码器如何选择映射到常数内存的信息，请参见coder.gpu.constantmemory。

一旦到达分区和内存分配和传输语句，GPU编码器就会生成遵循分区和内存分配决策的CUDA代码。可以将生成的源代码编译到MEX目标中，以从MATLAB内部调用或与外部项目集成在一起的共享库。有关信息，请参阅使用命令行接口代码生成。