简单来说就是为了充分利用GPU，不要让分出去的CUDA核心摸鱼闲置；GPU每次干活，都是以最小的组分配的，因此分派任务的时候就尽量充分发挥每个小组里CUDA核心的作用。这里的每个小组就是一个SM（stream multi-processor）；因为硬件设计的时候每个SM里设计了固定个数的CUDA核心（如Fermi架构SM里有32个CUDA核心）；对应软件端，线程会以线程块的形式分配到SM上；因此计算线程束数量时候就整份整份的去分配。
流式多处理器/stream multi-processor（SM）
GPU架构是围绕一个流式多处理器/stream multi-processor（SM）的扩展阵列搭建的。通过复制这种结构来实现GPU的硬件并行。
一个GPU是由多个SM构成的，Fermi架构SM包括以下关键组件：
- CUDA核心（CUDA core）
- 共享内存/一级缓存（shared memory / L1 cache）
- 寄存器文件（Register File）
- 加载/存储单元（Load/Store Units）
- 特殊功能单元（Special Function Unit）
- 线程束调度器（Warps Scheduler）
如图 - 橙色部分：2 个 Warp Scheduler/Dispatch Unit
- 绿色部分：32 个 CUDA 内核，分在两条 lane 上，每条分别是 16 个
- 浅蓝色部分：register file-寄存器文件和 L1 cache
- 16 个 Load/Store units (LD/ST Unit)
- 4 个 Special Function Units (SFU)
每个 SM 具有 32 个 CUDA 内核，就是图中写着Core的绿色小方块儿，每个 CUDA 内核都有一个完全流水线化的整数算术逻辑单元 (ALU) 和浮点单元 (FPU)：
GPU中每个SM都可以支持数百个线程并发执行；
并发与并行区别：
以线程块block为单位，向SM分配线程块，多个线程块可以同时被分配到一个可用SM上，同时执行线程块的大小取决于GUP硬件；
当一个线程块被分派好SM后，就不可以再分配到其他SM上；
软件抽象资源包括Thread、Warp、Block和Grid
硬件资源包括SP和SM
网络中的所有线程块需要分配到SM上进行执行；
线程块内的所有线程块需要分配到同一个SM中执行，但是每个SM上可以被分配多个线程块；
线程块分配SM中后，会以32个线程为一组进行分割，每个组成为一个warp；（因为硬件资源有限，所以活跃的线程束的数量会受到SM资源限制）
线程束数量=ceil（线程块中的线程数/32） ——向上取整
GPU设备规格查询
#include <stdio.h>
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
int main()
{
int device_id = 0;
cudaDeviceProp prop;
cudaGetDeviceProperties(&prop, device_id);
printf("Device id: %d\n", device_id);
printf("Device name: %s\n", prop.name);
printf("Compute capability: %d.%d\n", prop.major, prop.minor);
printf("Amount of global memory: %g GB\n", prop.totalGlobalMem / 1024.0);
printf("Amount of constant memory: %g KB\n", prop.totalConstMem / 1024.0);
printf("Maximum grid size: %d %d %d\n",prop.maxGridSize[0], prop.maxGridSize[1], prop.maxGridSize[2]);
printf("Maximum block size: %d %d %d\n", prop.maxThreadsDim[0], prop.maxThreadsDim[1], prop.maxThreadsDim[2]);
printf("Number of SMs: %d\n", prop.multiProcessorCount);
printf("----------------------------- \n");
printf("Maximum amount of shared memory per block: %g KB\n", prop.sharedMemPerBlock / 1024.0);
printf("Maximum amount of shared memory per SM: %g KB\n",prop.sharedMemPerMultiprocessor / 1024.0);
printf("Maximum number of registers per block: %d K\n", prop.regsPerBlock / 1024.0);
printf("Maximum number of registers per SM: %d K\n", prop.regsPerMultiprocessor / 1024.0);
printf("Maximum number of threads per block: %d \n", prop.maxThreadsPerBlock);
printf("Maximum number of threads per SM: %d \n", prop.maxThreadsPerMultiProcessor);
return 0;
}
