gpu的架构分为streaming multiprocessors
每个streaming multiprocessors（SM）又能分步骤执行很多threads，单个SM内部能同时执行的threads叫做warp。一个warp能同时操作16个单精度浮点数/8个双精度（tesla），或者32个单精度浮点数/16个双精度浮点数（feimi）。
单个SM内部有local memory和16kb大小的share memory，后者是在做计算的时候要尽量利用好的东西。
根据gpu的架构，做cuda计算的时候基本上是这么一个流程
先把目标矩阵分块，8*8或者16*16等，具体多大要看所用gpu的配置
分块完以后，gpu会把每个块调度到每个SM上去执行。SM执行的时候按照warp大小起线程，直到运算完成。
资源限制：
每个GPU必须有16个以上的block（对应16个SM）。而每个SM最多只能有8个block（对应8个flag位）。
算法举例
拿矩阵乘法C=A*B举例，
在不使用share memory的时候，每计算C中的一个值就需要2*N*N的数值。所以不使用BLOCK算法的时候，一个N*N的矩阵算一次就需要读2*N^4的数据，起了N^2的threads。每次要读2*N的数，这个操作数就是2N。带宽显然不够。这是非常慢的。在使用share memory的时候，每计算BLOCK_SIZE*BLOCK_SIZE中的值就需要读2*BLOCK_SIZE*BLOCK_SIZE的数据，当BLOCK_SIZE是16的时候，那就是2k，16kb的share memory能允许8个block。
当BLOCK_SIZE是32的时候，大小是8k，就是2个block。
那回顾一下刚才的数据，我们能知道，大小是32*32的block在16kbshare memory的时候对SM的利用率不高，（只能放2个block），而大小是16*16的block在16kb sharememory的时候对SM的利用率高（到了8个block，到顶了）。
为什么不用2个block而是8个block呢？
因为在从local memory读到share memory的是要时间的，gpu可以在这一个warp读取share memory的时候切换到别的warp 让他们也读share memory。还记得吗？一个warp是16个线程，SM能同时保存8个BLOCK的状态。对于32*32这个大小的block，对于SM的调度没有利用好，所有线程全都卡在读取内存上了。
对于16*16的block，每次要读2*256=512个数，这256个数的操作是256*16*2=8192个浮点操作。这时带宽就足够了。
对于feimi架构来说，share memory翻了3倍成了48kb
BLOCK_SIZE等于16的时候，就是24个block，BLOCK_SIZE=32的时候就是6个block。gpu读取share memory大概要20个cycle。一个32*32的block有1024个线程，一个warp 32个线程。这样就至少32个cycle过去了，足够前面的线程读完。
而对于BLOCK_SIZE等于16的时候，24个block对于一个SM来说太多了（同时只能调度8个）.
ps:
在调试矩阵乘法的时候掉进坑里了……给每个矩阵赋值10.0*i+j，两个矩阵互相乘。当矩阵比较小的时候100*100及以下，一点问题都没有。大到1000*1000的开始出现计算错误。找了大半天都没找出个所以然来。突然发现结果比较长，一数位数，都快7-8位了，原来是过了单精度浮点数的有效位数了。