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，请参阅内核创建．在内核创建算法中，CPU和GPU之间的内存传输成本是一个重要的考虑因素。

内核分区完成后，GPU Coder会分析CPU分区和GPU分区之间的数据依赖关系。CPU和GPU之间共享的数据在GPU内存中分配(通过使用Cudamalloc.或cudaMallocManagedapi)。该分析还确定了数据必须通过使用在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，那么同样的分析也确定了最小位置在代码中的位置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固定内存。如果使用得当，这些内存是GPU内存层次结构的一部分，可能会带来更大的内存带宽。有关GPU编码器如何选择映射到共享内存的信息，请参见模板处理．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．

一旦分区和内存分配和传输语句到位，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为一个MEX目标，以便从MATLAB内部调用，或者编译为一个共享库，以便与外部项目集成。信息,请参阅使用命令行界面生成代码．