关于CUDA算法对矩阵列求和的建议

Question

我的目标很简单。我需要计算已知大小的2D矩阵的每列中所有元素的总和：

我已经完成了算法的第一部分，该算法在全局内存中成功构建了2D矩阵，并用浮点数填充它。由于2D矩阵是巨大的（约8亿个浮点数），我认为最好的方法是在同一个内核中实现列和，这样就不会有额外的设备 - >主机和主机 - >设备传输延迟。

如果我理解正确，最好的解决方案是返回一个大小为#row的1D向量，每个条目代表相应的列总和。

如果以上情况属实，有人可以推荐一种成功实施此方法的方法吗？提前致谢。

限制：仅运行约5000个线程。列数为~160,000，行数为〜5000。