cuda通过多个stream可以降低host到Device的数据传输延时，这个没问题。但是通过stream传输就需要通过cudaHostAlloc等重新分配内存，那么这时候就有一个问题，就是这个内存需要重新赋值，问题就在于很有可能这段重新赋值的时间会超出接受的范围。如果用cudaMemcpy就可以直接用原始数据往Device上传输了。
本人在实际项目中遇到的问题，印象非常深刻，测试环境是NVIDIA TX2嵌入式板子。因为数据量比较大，原始程序测试通过cudaMemcpy拷贝数据需要20~40ms，那么很自然就想到用stream。但是现在通过stream，异步拷贝的时间确实少了，但是时间都消耗在了如下所示的第三步，也就是Host端内存的初始化上了，而且时间比cudaMemcpy还要多。
cudaHostAlloc((void **)&h_a, sizeof(float)*N, cudaHostAllocDefault);
cudaMalloc((void **)&d_a, sizeof(float)*N);
/**step3**/
for(int i=0; i<N; i++)
{
h_a[i] = src_a[i];
}
/**step3**/
cudaMemcpyAsync(d_a, h_a, sizeof(float)*N/nstreams, cudaMemcpyHostToDevice, stream[i]);
可以说为了屏蔽这段cudaMemcpy数据传输时间，各种方法都尝试了，最终都是不尽如人意。后来求助于gpu world和nvidia的开发者论坛。在屠戮人神的提示下，
（1）如果确定是cudaMemcpy本身消耗了20-40ms，而不是CUDA Runtime初始化之类的因素。可以考虑在TX2上使用managed memory (Unified memory). 一定情况下可以规避传输。因为你的TX2本身并不存在单独的显存或者内存，只有实质的一体的存储器，所以常规情况下的cudaMemcpy实质上是在做无用功。
（2）可以对第二次后或者以后的cudaMemcpy进行计时以测试到较为更实际的传输时间（不是说你之前的数据是告诉我是错误的， 只是为了以防万一）。确定时间正确的话可以无视这条，直接考虑上面（1）条。
（3）TX2上使用managed memory不建议同时进行CPU和GPU访问。
我继续做了相关测试。其实我之前想到过使用cudaMallocManaged，但是当时传的参数是cudaMemAttachGlobal，导致cpu端初始化的时候存在同样的问题。在cpu端初始化时用cudaMallocManaged加cudaMemAttachHost参数，然后cpu端计算对这段内存赋值，在gpu核函数调用之前用cudaStreamAttachMemAsync( stream, gPointI+iRation*i, sizeof(float)*iRation, cudaMemAttachGlobal );将这段内存转换为gpu device可以访问的。效果确实不错。