在HOST端我们会分配block的dimension， grid的dimension。但是对应到实际的硬件是如何执行这些硬件的呢？
如下图：
lanuch kernel 执行一个grid。
一个Grid有8个block，可以有两个硬件执行单元，一个执行一个block,需要执行4次，或者像右边有4个执行单元，一共执行两次。这个就很灵活，提供啦程序的扩展性，我们在代码中可以根据具体硬件的约束来设置，提高程序的兼容性和扩展性。
在CUDA中实际执行thread的硬件我们称作Streaming multiprocessor，简称SM。 它非常类似于CPU设计的CPU内核。
Nividia GPU架构图
实际上在 nVidia 的 GPU 里，最基本的处理单元是所谓的 SP(Streaming Processor)，而一颗 nVidia 的 GPU 里，会有非常多的 SP 可以同时做计算;而数个 SP 会在附加一些其他单元，一起组成一个 SM(Streaming Multiprocessor)。几个 SM 则会在组成所谓的 TPC(Texture Processing Clusters)。
在 G80/G92 的架构下，总共会有 128 个 SP，以 8 个 SP 为一组，组成 16 个 SM，再以两个 SM 为一个 TPC，共分成 8 个 TPC 来运作。而在新一代的 GT200 里，SP 则是增加到 240 个，还是以 8 个 SP 组成一个 SM，但是改成以 3 个 SM 组成一个 TPC，共 10 组 TPC。
对应到 CUDA
而在 CUDA 中，应该是没有 TPC 的那一层架构，而是只要根据 GPU 的 SM、SP 的数量和资源来调整就可以了。
如果把 CUDA 的 Grid - Block - Thread 架构对应到实际的硬件上的话，会类似对应成 GPU - Streaming Multiprocessor - Streaming Processor;一整个 Grid 会直接丢给 GPU 来执行，而 Block 大致就是对应到 SM，thread 则大致对应到 SP。当然，这个讲法并不是很精确，只是一个简单的比喻而已。
Thread分配以block为最小单位分配给SM。也就是说同一个Block里面的Thread会分配到同一个SM里来执行。 在当前的CUDA定义中，一个SM中最多分配8个blocks。
以CUDA Fermi硬件为例：
Fermi中一个SM最多分配1536Threads. 所以有下面几种Threads分配方案：
1. 256[threads] * 6[blocks], OK
2. 512[threads] * 3[blocks], OK
3. 128[threads] * 12[blocks], Bad. 受制于一个SM不能超过8个blocks.
线程调度
冯诺依曼架构是： ALU控制单元根据PC（指令计数）来提取指令，然后指令会加载到IR寄存器（指令寄存器），然后根据具体的指令，硬件会决定处理哪个单元，ALU，寄存器文件等等。然后访问内存，执行I/O操作。
SIMD操作类似与CPU的操作，不同的地方是：SIMD提取一条指令，然后同一时间里面有多个处理单元执行这同一条指令.
CUDA中，SM中具体是如何调度Thread的呢？
每个Block中的程序是以32个Thread为一个Warp为一个基本单位进行调度。每一个Warp作为一个SIMD的基本单元。这32个Threads基于各自不同的数据执行同样的指令。
举例： 假设每个block有256个threads， 每个Warp执行32个threads. 一共有3个Blocks。
256/32 = 8 * 3 = 24 warps。 一共使用啦24个warps.
所以一个SM会调度这24个warps, 但是这24个并不是都是在同一时间执行算术运算或者执行内存访问，实际上只有少数的会在硬件上执行，有很多的warps是在等待执行指令，然后硬件会挑选一部分warps去执行，剩下的warps则等待算术运算单元或者是内存资源，直到这些准备就绪。所以，在任一时间里，硬件去访问就绪warps池（类似与buffer池）。硬件会选择其中的一小部分去使用硬件资源。 在一个时钟周期里面执行一个warp不许要任何开销，然后立刻调度另一个warp，执行指令，在下一个时钟周期执行。所以说warp调度是0开销的。
Thread分配
再次以Fermi GPU 来说明。 每个SM最多分配1536个threads,如何设置block dimension
1： 8*8 ： 1block = 8*8 = 64 threads,
1536/64 = 24 blocks，
24/8 =3, SM最多有8个blocks, 8*64 = 512. 所以一个SM执行512个threads
2" 16*16: 1block = 16*16 = 256 threads,
1536/256 = 6 blocks，
SM最多有8个blocks, 6*256 = 1536. 所以一个SM执行1536个threads。 完全利 用到啦SM
3： 32*32： 1block = 32*32 = 1024 threads,
1536/1024 = 1 blocks，
1*1024 = 1024. 所以一个SM执行1024个threads, 只利用到啦2/3的SM。
所以最好的还是16*16，这一种分配策略。
控制发散
在kernel 函数中条件判断是线程索引才存在控制发散问题：
If (threadIdx.x > 2) { } 存在控制发散。
If (blockIdx.x > 2) { } 不存在发散问题。
Divergence 是Ｗarp中的一个概念，在同一个warp中有的线程走这个分支，有的线程走另外一个分支，称之为divergence．
一个Warp中的所有Thread执行同一指令。但是，由于不同Thread的数据不同，如果有基于数据的判断，就可能产生不同的结果。这时，就会产生多路径问题即发散，意味着Thread需要执行不同的指令。SM处理的方式是多次执行，每次沿着一条路径，直到所有路径都执行完毕。所以，控制发散直接关系到程序的性能。
以向量相加为例子， 长度是1000：
__global__ void vecAdd(float *in1, float *in2, float *out, int len) { //@@ Insert code to implement vector addition here int i = blockDim.x * blockIdx.x + threadIdx.x; if(i < len) out[i] = in1[i] + in2[i]; }
算下来，我们有32个warps,只有最后一个warp存在发散的问题。最后一个warp执行Threads[992 ~ 1023], 992～1000是一个分支，剩下线程执行另外一个分支。
练习题
１．处理一个600*800的图片(800是水平方向,600是垂直方向),使用kernel函数PictureKernel().m=600, n=800.
__global__ void PictureKernel(float* d_Pin, float* d_Pout, int n, int m){
int Row = blockIdx.y*blockDim.y + threadIdx.y;
// Calculate the column # of the d_Pin and d_Pout element to process
int Col = blockIdx.x*blockDim.x + threadIdx.x;
// each thread computes one element of d_Pout if in range
if ((Row < m) && (Col < n)) {
d_Pout[Row*n+Col] = 2*d_Pin[Row*n+Col];
}
}
假设grid是16*16 blocks．block是16*16 threads． 问在kernel中有多少个warps会执行．
A) 37*16. B) 38*50. C)38*8*50. D)38*50*2
解答： ceil(800/16.0) = 50, ceil(600/16.0)=38. 每个block是(16*16)/32= 8 warps．所以答案是: 38*8*50
2. 在第一个问题里面，有多少个warps有control divergence?
(A) 37 + 50*8
(B) 38*16
(C) 50
(D) 0
解答： 在一个warp中同时由线程走if和else，称之为warp control divergence.
X方向是800 = 50 * 16, Ｙ方向是600 = 16*37.5．warp=32, 每两行是一个warp．X轴方向没有control divergence． Y方向最后一个block是0.5*16*16 = 128, 128/32= 4, 全部落在if里面．所以结果是０．选D
3.把第一题改成800*600,有多少个warps存在control divergence?
(A) 37+50*8
(B) 38*16
(C) 50*8
(D) 0
解答： x = 600/16=37.5. x方向需要补齐0.5*16=8, y=800/16=50.所以没一行右边都会补齐0.5个block_zize,即8列．所以在两行的最右边是一个block，一个block里面每两行是一个warp，而这个warp就存在一半在if,一半在els,存在control divergence, 既然每两行的最后一个warp存在control divergence,那么一共就是800/2 =400,也可以这么算：因为最右边是一直存在congtol divergence的．y方向是50个block，每个block有8哥warp，５０＊８ ＝400, 所以选Ｃ
4. 如果把图片改成是799*600(600是x方向,799是y方向),有多少个warps存在control divergence?
(A) 37+50*8
(B) (37+50)*8
(C) 50*8
(D) 0
解答： Y方向补齐1行，X方向补齐结合第三题我们可以算出y方向一共是有50*8，当然有一个重合的情况我们后面在减去．现在看X方向，一共是799行，每２行才能组成一个warp，而且最后补齐的800行处在条件else,799行处在条件if里面，这最后两行的warp是存在control divergence．一共是有608/16=38. X和Y方向重合一个，所以结果是50*8+38-1, 选A
做完这几题,对warp的调用理解更深刻了．
每个Block中的程序是以32个Thread为一个Warp为一个基本单位进行调度．Warp是block里面的概念．