常量内存
用常量内存来替换全局内存可以有效的减少内存带宽
__constant__修饰符标识常量内存，从主机内存复制到GPU上的常量内存时，需要特殊版本的cudaMemcpy(): cudaMemcpyToSymbol()，从而会复制到常量内存，而原来的会复制到全局内存。
1. 对常量内存的单次读操作可以广播到其他的邻近线程，这将节约15次读取操作(因为这里线程块包含16个线程)
2. 常量内存的数据将缓存起来，因此对相同地址的连续读操作将不会产生额外的内存通信量。
解释邻近线程：CUDA架构中，线程束是指一个包含32个线程的集合，编织在一起，'步调一致'Lockstep，程序中的每一行，线程束中的每个线程都将在不同数据上执行相同的指令。 当处理常量内存时，GPU硬件把单次内存读取操作广播到每个半线程束(16个线程)，如果其中每个线程都从常量内存的相同地址上读取数据，那么GPU只会产生一次读取请求并随后将数据广播到每个线程，这时内存流量是只使用全局内存时的1/16。
另外并不仅限于此，由于这块内存的内容是不变的，因此硬件会主动把这个常量数据缓存到GPU上，在第一次从常量内存的某个地址上读取后，其他半线程请求同一地址时，将命中缓存，从而不会产生内存流量。
1. 线程在半线程束的广播中收到这个数据
2. 从常量内存缓存中收到数据
然而常量内存半线程广播也是双刃剑，当16个线程分别读取不同的地址时，会降低性能，会被串行化，从而需要16倍的时间发出请求，如果从全局内存读，那么会同时请求，这样常量内存就慢于全局内存了。
cuda设备代码计时的设计cudaEventRecord是cpu和gpu上是异步的，这样统计gpu的运行时间很麻烦，为了同步，可以将其改为cudaEventSynchronize(stop)。值得注意的是，CUDA事件是直接在GPU上实现的，因此不适用于同时包含设备代码和主机代码的混合代码计时。
纹理内存
它也是一种只读内存，同样缓存在芯片上，专门针对那些在内存访问模式中存在大量空间局部性。即一个线程读取的位置可能与邻近线程读取位置非常接近。
texture<float> 将输入的数据声明为texture类型，分配内存后需要通过cudaBindTexture( )将这些变量绑定到内存缓冲区。
1. 我们希望将指定的缓冲区作为纹理来使用
2. 我们希望将纹理引用作为纹理的名字
当读取内存时不再使用方括号从缓冲区中读取，而是使用tex1Dfetch( )，因为纹理引用必须声明为文件作用域的全局变量，所以不再将输入缓冲区和输出缓冲区作为参数传递，而是用bool值标识使用哪个缓冲区作为输入或输出。 最后需要对纹理解绑，cudaUnbindTexture( )
二维纹理，代码会更简洁，并可以自动处理边界问题 texture<float,2> 表示二维纹理引用，将tex1Dfetch( )改为tex2D( )如果超出边界，自动返回合法值。不用线性化offset，直接用x，y访问纹理，在绑定二维纹理缓存时，CUDA运行时需要提供一个cudaChannelFormatDesc，文中指定浮点描述符，然后通过cudaBindTexture2D( )绑定。解绑函数相同。
原子性
举个例子x++，通过某种方式一次性的执行完读取-修改-写入这三个操作，并且在执行过程中不会被其他线程中断。除非已经完成了这三个操作，否则其他的线程都不能读取或写入x的值。
atomicAdd(&x, 1 ) //原子操作加一
在全局内存中的原子操作效率很低，数千个线程发生竞争。在共享内存中的原子操作，只有线程块内的线程之间竞争，会缓解很多。注意__syncthreads( )的同步使用，最后要在全局内存中再次对所有线程块中共享内存数组原子求和。
流
用于不同任务之间的并行
页锁定主机内存
malloc( )分配的是可分页的主机内存。 cudaHostAlloc( )会分配页锁定主机内存(不可分页内存)。操作系统将不会对这块内存分页并交换到磁盘上，其他应用程序可以安全的访问该内存物理地址，因为这块内存将不会被破坏或重新定位。但它也是双刃剑，你将失去虚拟内存的所有功能。建议仅对cudaMemcpy( )调用中的源内存或目标内存使用页锁定内存，并在不再需要使用它们时立即释放。
CUDA流
cudaMemcpyAsync( )是异步的，只是放置一个请求，表示在流中执行一次内存复制操作，当函数返回时无法确认复制操作是否启动更无法保证是否完成，能够保证的是复制操作在下一个被放入流中的操作之前执行。另外，任何传递给cudaMemcpyAsync( )的主机内存指针必须已经通过cudaHostAlloc( )分配好，即只能以异步方式对页锁定内存进行复制操作。 核函数尖括号中可以带有一个流参数，并异步执行，流就像一个有序的工作队列。将GPU与主机同步，cudaStreamSynchronize(stream)
可重叠的GPU，可以利用多个流实现执行核函数的同时在主机和GPU之间执行内存复制。
dfs模式，因为依赖关系的限制，第二个流的操作被阻塞
采用bfs模式多流交替执行的并行效果更好，第0个流复制C不会阻塞第1个流复制A和B
零拷贝内存
将cudaHostAlloc( )分配内存的参数修改为cudaHostAllocMapped可以申请零拷贝内存，它也是固定的内存，除了用于主机和GPU之间的内存复制之外，打破了之前的主机内存规则之一：可以在CUDA C核函数中直接访问这种类型的主机内存，由于这种内存不需要复制到GPU，因此也称为零拷贝内存。 在GPU上访问需要cudaHostGetDevicePointer( )得到CPU上这块内存的指针，然后传递给核函数。后面需要用cudaThreadSynchronize( )实现CPU和GPU之间的同步。使用前要先判断设备是否支持映射主机内存。
多GPU
每个GPU都需要一个不同的CPU线程来控制，将数据分块，书中给的例子在主线程中新建一个线程，被调用函数内指定GPU ID其他操作正常
可移动的固定内存
某个线程分配了固定内存，那么这些内存页仅对单个CPU线程来说是固定的(页锁定的)，如果在其他线程之间共享指向这块内存的指针，那么其他的线程将把这块内存视为标准可分页的内存。 可移动内存可以解决这个问题，cudaMemcpyAsync( )的参数是cudaHostAllocPortable，可以与其他标志一起使用。
附录
CUFFT
优化后的快速傅里叶变换，实数复数之间的变换，一维二维三维变换
CUBLAS
基本线程代数子程序
NVIDIA GPU Computing SDK
有很多示例文档程序
CUDA-GDB
用来调试CUDA C
CUDA Visual Profiler
可视化分析工具运行核函数
programming massively parallel processors a hands-on approach
这本书会介绍GPU底层工作原理，CUDA架构的许多细节
论坛：
高级原子操作：实现锁定数据结构
CUDA散列表
由GPU向CPU拷贝散列表的指针处理
散列表的每个桶上都有一个互斥锁，解决不同线程映射到相同的桶同时改写的覆盖问题。
这里那个循环很特别，线程束是32个线程，每次在线程束中只有一个线程会获取这个锁，如果同时竞争会出现问题，最好的方式是在程序中执行一部分工作，遍历线程束并给每一个线程一次获取锁的机会。
