转自：http://blog.sina.com.cn/s/blog_48b9e1f90100fm5f.html
结合lec07_intro_cuda.pptx学习
内存类型
CGMA: Compute to Global Memory Access ratio
Constant memory只允许device只读，比global memory 能够提供更快更多的并行数据访问路径给kernel。
Register和local memory是线程私有的。Shared memory是同一个block中的线程共享的。
Table 1显示了cuda声明变量的语法。Scope表示变量能够被访问的线程范围。包括thread：线程单独访问，每个thread都有一个变量，如果kernel声明一个scope为thread的变量y，在启动x个线程后，就会有x个版本的变量y。block：被block中的所有thread访问，grid：被grid中的所有线程访问。
Lifetime是变量的生存期。注意：如果生存期为kernel，那么在kernel不同的启动之间，变量的值是不会被保存下来的。每次启动一次kernel都要对变量进行初始化。生存期为application的变量，必须在所有函数体外进行声明，变量可以在程序执行中保存下来并可以被所有kernel访问。
非数组自动变量：除了在kernel和device函数中声明的数组外，其他所有自动变量都在寄存器中。这些变量称为scalar变量，scope是单独的线程。当一个kernel声明了一个自动变量，系统会为执行这个kernel函数的所有线程copy这个变量。线程终止后，所有变量也就不存在了。
自动数组变量：存在global memory中，对它们的访问需要长延迟。他们的scope也是单独的线程。因此，对这种变量尽量避免使用。
（__device__）__shared__修饰的变量，表示CUDA中的共享变量。共享变量的scope是block，block中的所有线程都可以看到共享变量的同一个版本。Lifetime是kernel，kernel结束，共享变量内存也就不存在了。对共享内存的访问非常快而且是高度并行的。CUDA编程者通常用共享内存来保留一部分在kernel中用的多的全局内存数据。
(__device__) __constant__修饰的变量表示常数变量constant variable。Constant variable必须在函数体外进行声明。Scope是grids, lifetime是整个应用程序的执行。Constant variable常用于为kernel function提供输入值，存储在global memory中但被cached。一个程序constant variable最大可以使65536个字节。
__device__修饰的变量是global variable，存储在global memory中。对global memory的访问非常慢。由于global variable对所有kernel中的所有线程都是可见的。因此，global variable可以作为跨block的线程之间的协同方法。但是，如果不终止目前的kernel，无法保证线程之间数据的一致性。因此，global variable通常作为kernel function之间的信息传递。
指针只能用于指向global memory的数据对象，不用于device memory。指针有两种典型用法：第一，如果一个对象由host function分配，指向此对象的指针被cudaMalloc()初始化并能够作为参数传递给kernel function。第二，在global memory中声明的变量的地址可以分配给一个指针变量。例如，
float * ptr=&GlobalVar。
减少全局内存通信的策略
由于全局内存大而慢，共享内存小而快。常用的策略是把数据划分成片tile，每一片适合共享内存的使用。对这些tile的kernel计算可以独立的进行。
__global__ void MatrixMulKernel(float* Md, float* Nd, float* Pd, int Width)
{
1. __shared__float Mds[TILE_WIDTH][TILE_WIDTH];
2. __shared__float Nds[TILE_WIDTH][TILE_WIDTH];
3. int bx = blockIdx.x; int by = blockIdx.y;
4. int tx = threadIdx.x; int ty = threadIdx.y;
// Identify the row and column of the Pd element to work on
5. int Row = by * TILE_WIDTH + ty;
6. int Col = bx * TILE_WIDTH + tx;
7. float Pvalue = 0;
// Loop over the Md and Nd tiles required to compute the Pd element
8. for (int m = 0; m < Width/TILE_WIDTH; ++m) {
// Coolaborative loading of Md and Nd tiles into shared memory
9. Mds[ty][tx] = Md[Row][m*TILE_WIDTH + tx];
10. Nds[ty][tx] = Nd[m*TILE_WIDTH + ty][Col];
11. __Syncthreads();
12. for (int k = 0; k < TILE_WIDTH; ++k)
13. Pvalue += Mds[ty][k] * Nds[k][tx];
14. }
15. Pd[Row][Col] = Pvalue;
}
硬件限制：
GeForce 8800GTX每个SM有8K个寄存器，整个处理器有128K个寄存器。一个SM最多有768个线程。如果要达到这个线程最大数，每个线程只能用8K/768=10个寄存器。如果每个线程要用11个寄存器，那么线程数就会减少。例如，如果一个block有256个线程，那么每个SM中只有1/3的线程同时存在。
共享内存也会限制线程数目。在GeForce 8800 GTX中，每个SM有16K bytes大小的共享内存。而共享内存是block使用的。每个SM最多有8个block，所以，如果一个SM中有8个block，那么每个block最多能够使用2K字节的共享内存。以矩阵乘为例，若tile大小为16*16，那么，每个block需要16*16*4=1K字节存储Mds,需要1K字节存储Nds。因此，一个block需要2K字节的共享内存。根据共享内存16K 字节的限制，最多有8个block可以同时存在于一个SM中，这也是硬件限制上的最大block数目了。若tile size是32*32，那么每个block需要8K 字节共享内存，那么一个SM只能有2个block。
注意：不时关注CUDA主页，关注CUDA相关的最新研究