例如，如果我在m x n矩阵上操作，我很可能需要将m和n传递给我的内核。
如果我还需要了解总分数N = m*n，我应该将N作为参数传递（并消耗带宽）或计算{{ 1}}在内核本地为每个线程（并且消耗大量重复操作的处理能力，即使N只需要计算一次）？
在这里，我正在谈论为大量数据集集合启动1000次的内核，所以真的试图提升性能。
Stride是另一个例子，你在启动内核之前知道TBP和BPG，因此可以预先计算。
答案 0 :(得分：1)
为了回答这个问题，你至少需要知道一件事。
我的限制因素是什么？
基本上你有两个选择：
你的内核是内存绑定的 - 这意味着你可以从/向全局内存读取/写入（通常）和/或与已访问的内存相比具有少量计算 - ＆gt;你不必担心这种优化
你的内核是计算绑定的 - 这意味着r / w流量完全被计算次数隐藏 - ＆gt;您所描述的优化可能有所帮助，但不一定
了解运行探查器和运行内核分析的最佳选择。