본 연구에서는 얕은 신경망 (Shallow Neural Network)의 순전파 (Forward Propagation) 및 역전파 (Backward Propagation)에 적용되는 CUDA 최적화 전략에 대한 비교 연구를 제시합니다. 세 가지 계층적 최적화가 평가되었습니다: (1) +1-컬럼 패딩 (padding)을 통해 뱅크 충돌 (bank-conflict)을 제거한 타일형 공유 메모리 (tiled shared memory), (2) 병합된 전역 메모리 액세스 (coalesced global memory access)를 위한 사전 전치된 가중치 행렬 (pre-transposed weight matrices), (3) 중간 단계의 전역 메모리 왕복 (global-memory round-trips)을 제거하는 MatMul+ReLU 융합 커널 (fused MatMul+ReLU kernel). NVIDIA Tesla T4 (CUDA 13.0) 환경에서 세 가지 데이터셋 크기에 대해 실험을 진행한 결과, 완전히 최적화된 구현은 대규모 데이터셋 (25,600개 샘플)에서 기본 CUDA 버전 대비 1.41배의 속도 향상을 달성하였으며, 실행 시간을 21.0초에서 14.8초로 단축했습니다. 결과는 순차적 CPU 베이스라인 및 OpenMP 병렬 구현과 비교되었으며, 이는 GPU 가속 딥러닝 프리미티브 (deep learning primitives)에서 메모리 액세스 최적화의 효과를 입증합니다.