一 原理
如果不采用group gemm的话，采用单流执行，则具体的硬件执行调度如下所示：
gemm0，gemm1，gemm2同时分配任务给sm做
第一轮：gemm0、gemm1和gemm2的0-4分给4个sm去做，都计算完成
第二轮：gemm0在上一轮已经计算完毕，gemm1和gemm2的45分给sm0，sm1去做，在这一轮可以发现，sm0和sm1针对gemm0的task出现了idel，而sm2和sm3对三个gemm的task都是idle状态
而如果采用group gemm，则可以实现：
就是保证sm尽量满载，而不处于idle状态
二 源码分析
1 入口函数
def group_gemm_fn(group_A, group_B):
device = torch.device('cuda')
assert len(group_A) == len(group_B)
group_size = len(group_A)
# print("gs",group_si
