CUDA编程系统性学习笔记(一)：存储，函数与线程概念

持续关注我的朋友可能知道，之前因为做一个点云配准的项目，重新又开始学习CUDA编程。以我浅薄的并行编程技术，对于一些对存储要求不是很高的小程序，还勉强能够应付。但是最近做的一个网格优化的并行项目，数据量大，动态存储要求高，对存储空间数据的更新频率频繁，自然对并行编程的存储使用有了更高的要求。因此，为了能够更进一步的提升并行编程技术，解决存储使用的一些问题，我最近学习了英伟达周斌老师的视频教程，计划做一个系统性的Cuda学习与提升。我计划做一个系列的博客，来分享一些我在并行编程中存储使用的一些心得体会，作为备忘，同时分享给大家。

Register；Shared Memory block内部数据共享；Local Memory；Global Memory；Constant Memory；Texture Memory；Instruction Memory (不可见)；

线程私有的存储：Local memory

Block私有的存储：Shared Memory

整个设备共有的：Global Memory

函数命名对应的执行单元（Device: GPU Cuda；Host: CPU）

__device__ float filter[N] 显存定义变量   

__global__ void DeviceFunc()  执行位置 device (GPU)   调用位置 device

__global__ void KenerFunc()  执行位置 device (GPU) 调用位置host

一些注意事项：

一些数据类型的定义：

示例:

  一些数学函数

内建函数，牺牲精度，提升速度, 使用双下划线 ：

 通过ID计算线程单元

Grid：block组，一维或多维线程块

Block：一组线程Thread

 线程层次编号：

 示例：使用二维线程编号调用CUDA计算单元 

多块索引：

线程同步：（这里是块内同步，如果全局同步，开销过大）

线程调度：

SM->Block; SP->Thread

Wrap 块内的一组线程，作为调度折中。

对于device和host两个执行方式，其对应内存使用的权限。

CPU与GPU的数据交互：

到这里，我们把和GPU并行编程有关的基础概念做了介绍。基于这些概念，我们将在下一篇博客中进一步的学习如何实现高效的Cuda编程。