转自：http://blog.sina.com.cn/s/blog_48b9e1f90100fm5h.html
四、CUDA性能
CUDA中的block被划分成一个个的warp，在GeForce8800GTX上，一个warp有32个线程。若不够32个线程，则padding相应数目的线程。Warp中的线程ID是连续且递增的。对于二维组织的线程来说，先把threadIdx.y为0的线程按照threadIdx.x从小到大排，然后把threadIdx.y为1的线程按照threadIdx.x从小到大的顺序排列成warp。对于三维组织的线程来说，先排列threadIdx.z为0的二维线程，再排列threadIdx.z为1的二维线程，以此类推。
任何时刻，硬件都只能一次选择执行一个warp。
下面2个图是执行元素总和的操作，不同的算法实现，其效率不同。第二种方法使得线程没有分支。
全局内存性能
Memory coalescing技术能够大大提高全局内存访问的速度。硬件会检测线程所访问的位置是否是在全局内存中的相邻位置，如果是相邻位置，硬件会把这些访问合并成一个相邻访问。
SM资源的动态划分
1. thread限制：一个SM最多768个
2. block限制：一个block最多512个thread，如果block有256个thread，根据线程数目的限制，一个SM最多只能有3个block了。
3. register限制：一个SM最多8192个register
资源之间的分配和权衡对性能影响非常大。
例如，假设在矩阵乘中，block事16*16线程的，每个thread使用10个register，那么一个block需要使用2560个register，那么3个block就要用8120个register，小于8192的寄存器数目限制。但是如果再加一个block的话，寄存器数目就到达10240了，超过了寄存器数目的限制。假设每个thread使用11个register，那么一个block需要使用16*16*11=2816个寄存器，3个block需要8448个寄存器，超过了寄存器限制。所以一个SM只能容纳2个block了。那么SM上的线程数目就从768减少为512了。线程并行度减少了1/3！
另一个例子：假设在全局内存load和使用之间有四条独立的指令，在G80中，每条指令要4cyle，所以4条指令需要16个cycle。而200内存延迟需要调度200/16=14个warps来保证执行单元的利用率。若把指令数从4增加到8，那么就只需要200/(4*8)=7个warps。也就是说，即使我们把block数目从3减少到2，因此warps数目从24(768/32)减少到16(512/32)，我们有足够的warps来完全地利用执行单元，性能最后还提高了！参考[RyooCGO08]
数据预取
Prefetch techniques are often combined with tiling to simultaneously address the problems of limited bandwidth and long latency
循环展开
减少分支指令和循环计数器的更新。
线程粒度
线程粒度通常是程序调优中一个重要的标准。
2009-11-9
做了一些实验，问题：
如果不设置足够多的thread，处理器是怎样处理的，实验结果是否会出错？
若thread数目不足以计算矩阵乘，那么剩下的就不会计算
编程：
gridDim.x, gridDim.y, gridDim.z表示Grid的三个维度
blockDim.x, blockDim.y, blockDim.z表示block的三个维度
对于GeForce8800来说，由于一个block的shared memory大小为 16K字节，所以对于float型（8个字节）的矩阵乘来说，tile 块最大不能超过2048