CPU / GPU分区 - 识别在GPU上运行的CPU和段运行的代码段。对于不同的方式GPU编码器识别CUDA内核，请参阅内核创作。CPU和GPU之间的内存传输成本是内核创建算法中的重大考虑因素。

在完成内核分区后，GPU编码器分析CPU和GPU分区之间的数据依赖性。在GPU存储器上分配了CPU和GPU之间共享的数据（通过使用Cudamalloc.要么CudamallocManaged.蜜蜂）。分析还确定通过使用的数据必须在CPU和GPU之间复制数据的最小位置集Cudamemcpy.。如果在CUDA中使用统一内存，则相同的分析通行证还确定代码中的最小位置Cudadevicsync.必须插入调用以获得正确的功能行为。

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存储器或常量存储器。如果明智地使用，这些存储器是GPU内存层级结构的一部分，可能导致更大的内存带宽。有关GPU编码器如何选择要映射到共享内存的信息，请参阅模板加工。有关GPU编码器如何选择映射到常量内存的信息，请参阅coder.gpu.constantmemory.。

一旦到位分区和内存分配和传输语句，GPU编码器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成M个以便在MATLAB中调用的MEX目标或与外部项目集成的共享库。有关信息，请参阅代码生成使用命令行界面。