我无法理解特斯拉C1060上令人尴尬的并行计算的缩放性能。使用所有块和每个块的多个线程运行它，我得到的运行时间约为0.87秒。
但是，如果我只在一个块中运行所有迭代，每个块有一个线程，则运行时间最多为1872秒，这远远超过我只是按比例缩小的240x0.87s = 209s仅使用240个流媒体处理器中的一个。
相反，通过使用所有240个核心，我似乎加速超过2000倍。这种超线性加速怎么可能;在我的系统性能建模中，我应该注意哪些其他因素？
答案 0 :(得分：5)
启动由1个线程组成的内核将内核执行限制为30个SM中的1个。对于每个发布的warp指令，将仅使用1/32的执行单元。此外，来自相同warp的指令不能在背靠背发布插槽上发出，留下至少1/2的发布槽空。对于指令依赖性和内存延迟，附加插槽将为空，从而加速2-4倍。让我们假设一个非常悲观的2倍。可能的增益的粗略计算将是
30x increase for using all 30 SMs
32x increase for using full width of the execution units
2x increase for using issue slots and saturating memory system
= 30 * 32 * 2
= >1920x performance increase
你看到的是1872 / .87 = 2152x的差异。由于空的发布槽以及每个SM的1个warp无法使内存系统饱和这一事实，很容易将其解释为＆gt; 2x。