1
Cuda 是一个海量线程的框架。
2
一个 Cuda 程序，就是一个 Grid ，它包含了一大堆一模一样的 Block。
一个 GPU 硬件，就是一个芯片，它包含了一大堆一模一样的 SM 处理器。
3
一个 Cuda 程序分派到一个 GPU 上去运行，实际上就是把一大堆 Block 扔到 一大堆 SM 处理器上。
Cuda 程序要想取得最佳的并行运算效率，Block 的数量应该是 SM 处理器数量的整数倍，这样才能让每个 SM 都没有机会闲着。
所以，编写一个 Cuda 之前，记得先看看你的 GPU 有多少个 SM 处理器。当然，如果你能写个通用的程序，根据GPU规格动态调整 Grid 的结构，那就最理想了！
4
然而，这并没结束！
Block 还可以分解成一大堆一模一样的线程，每个 SM 处理器又可细分成 8 个 SP 计算核，可以同时运行 32 个线程。
同样道理，如果想让每个 SP 核都不能偷懒，Block 中的线程数量必须是 32 的倍数。
作为硬件的限制，Block中线程的数量不能超过 1024，否则的话，SM 处理器就容纳不下了。
5
你可能觉得这个二级的软件和硬件架构有点多此一举，Grid 下面直接放一大堆线程，GPU下面直接放一大堆 SP 核，问题不就简单化了吗？
其实，这个二级架构是为了共享内存。因为同一个 Block 里面的线程是可以共用相同的 share 内存的。不同的 Block 中的线程，只能通过全局内存来共享数据。share 内存的访问速度远远高于全局内存。