疑问
之前一直不太明白的一点：在thread总数确定的情况下，grid size（block number） 和block size（thread number per block）如何组合？
比如说想在8个SM上跑1024*8个thread，那可以8*1024，也可以16*512，或32*256，如何选择最佳？
Background
首先明确GPU软硬件的一些情况：
- 计算engine中有很多SM，每个SM有很多core。
- cuda程序中的每个block是跑在GPU中的一个SM上的，一个SM可以同时跑多个block。
- 由于GPU的SIMT架构，每个core都采用流水线机制，处理多个thread才能隐藏延迟，达到最大性能。
- 所以一个SM处理的thread数量往往大于core的数量。
- 每个SM有最大thread数量限制，每个block也有最大block数量。
- thread以warp（32个thread）为单位跑在SM上。
- 在硬件限制条件下，跑越多thread，Occupancy（）越高，吞吐量应该就越高。
- 硬件限制包括线程数、维度、共享内存、寄存器等。
一些发现
- GPU中一般SM的最大thread数量限制会大于每个block的最大block数量。
- 根据网上的一些帖子，满足SM最大thread数量的条件下，block数量少一些比较好。
总结
在需要满足最高的吞吐量时，尽量满足SM的最大thread数量，同时block数量尽量少。
举例：SM最大thread：2048；block最大thread：1024.
这时就尽量安排每个SM 2个block，每个block1024个线程。当然还要满足register、shared memory的要求。
附：
最大寄存器限制
