CUDA卷积 - 不可分离的内核

我需要使用不可分离的内核实现一个高效的图像卷积版本（因此CUDA的sdk仅适用于FFT示例，但很明显它只适用于大内核大小） 除了我从头开始实现它之外，我的需求是在先验未知大小的矩阵和内核上运行（它们可以是10x10，为20.000x20.000，我根本无法预测） 您对FFT示例有何建议？ （如果这是你最好的选择，请给我一些好处，开始弄清楚它是如何工作的） 对于第二个选择（由我自己手动实现卷积），最大化内存合并的建议是什么？