用CUDA Kernel处理图片问题

我想用CUDA Kernel取代两个nested for loop去处理图片,图片大小为512x512。

pseudo code:

for (i=0;i<512,++i){
    for (j=0;j<512,++j){
        img[i][j]
    }
}

我每个block分配64个线程，然后4096个blocks。

template <typename Dtype>
__global__ void filterForward()
{
  uint i = (blockIdx.x * blockDim.x) + threadIdx.x;
  uint j = (blockIdx.y * blockDim.y) + threadIdx.y;

  printf("%d %d\n",i,j);


dim3 threadsPerBlock(8, 8);
dim3 numBlocks(512/threadsPerBlock.x, 511/threadsPerBlock.y); 
// NOLINT_NEXT_LINE(whitespace/operators)
filterForward<Dtype><<<numBlocks, threadsPerBlock>>>()

理想状态是print出来512x512行，遍历每个pixel的序号。但是只打出来192768行，说明有些组合没有遍历到。请问会是什么原因？

谢谢！

PS：GPU是TITAN Xp。是再写CAFFE。

原因是printf的buffer有限制