CPU/GPU分区—标识在CPU上运行的代码段和在GPU上运行的代码段。有关GPU编码器识别CUDA内核的不同方式，请参阅内核创建．CPU和GPU之间的内存传输成本是内核创建算法的重要考虑因素。

内核分区完成后，GPU Coder会分析CPU与GPU分区之间的数据依赖关系。CPU和GPU共享的数据会分配到GPU内存中(通过库达马洛克或cudaMallocManagedapi)。该分析还确定了数据必须在CPU和GPU之间复制的最小位置集cudaMemcpy．如果在CUDA中使用统一内存，那么同样的分析过程也确定了代码中的最小位置cudaDeviceSync必须插入调用以获得正确的函数行为。

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量内存。如果使用得当，这些内存将成为GPU内存层次结构的一部分，并可能产生更大的内存带宽。有关GPU编码器如何选择映射到共享内存的信息，请参阅模板处理．有关GPU编码器如何选择映射到恒定内存的信息，请参阅coder.gpu.constantMemory．

一旦分区和内存分配和传输语句就位，GPU编码器生成CUDA代码，遵循分区和内存分配决策。生成的源代码可以编译成一个MEX目标，以便从MATLAB内部调用，或者编译成一个与外部项目集成的共享库。信息,请参阅使用命令行接口生成代码．