在并行运算中，合理处理线程网格可以为程序获得更高的性能加速比，如何合理使用线程网格，才能使并行程序效率更快？
一个线程网格是由若干个线程块组成的，每个线程块是二维的，分为X轴与Y轴。此时，每次最多能开启Y*X*T个线程。现在，我们用一个实例进行深入理解。为简单期间，我们限制Y轴方向只有一行线程。
假设我们现在正在看一张标准高清图片、这张图片的分辨率为1920 x 1 080。通常线程块中线程数量最好是一个线程束大小的整数倍，即32的整数倍。由于设备是以整个线程束为单位进行调度，如果我们不把线程块上的线程数目设成32的整数倍，则最后一个线程束中有一部分线程是没有用的。因此我们必须设置一个条件进行限制，防止处理的元素超出x轴方向上所规定的范围。在接下来的内容中我们会看到，如果不这样做，程序的性能将会降低。为了防止不合理的内存合并，我们尽量做到内存的分布于线程的分布达到一一映射的关系:如果我们没能做到这点，程序的性能可能会降低很多。在程序中，要尽量避免使用小的线程块，因为这样做可以充分利用硬件。在这个例子中，我们将每个线程块上开启192个线程。通常，192是我们所考虑的最少的线程数目。每个线程块192个线程，我们很容易算出处理一行图像需要10个线程块(如图)。
在这里，选择192是因为X轴方向处理的数据大小是它的整数倍，又是线程束大小的整数倍，这使我们的编程更加方便。在实际编程中，我们也要尽力做到这一点。
在X轴方向的顶部我们可以得到线程的索引，在Y轴方向我们可以得到行号。由于每一行只处理了一行像素，每一行有10个线程块，因此我们需要1080行来处理整张图片，一共1080*10=10800个线程块。按照这种一个线程处理一个像素的方式，每个线程块开启了192个线程，一种调度了200多万个线程。我们对单个像素或数据进行单一处理，或者对同一行的数据进行处理时，这种特殊的布局方式是很有用的。在当前费米架构的硬件上，一个SM可以处理8个线程块，所以上述程序从应用层的角度来说一共需要1350个(总共10 800个线程块除以每个SM能调度的8个线程块)SM来完全实现并行。但当前费米架构的硬件只有16个SM可供使用(GT x 580 ),即每个SM将被分配675个线程块进行处理。
上述这个例子很简单，数据分布对齐，因此我们很容易就找出了一个好的解决方案，但如果我们的数据不是基于行的，该如何操作呢？由于数组的存在，数据往往可能不是一维的。这时，我们可以使用二维的线程块。例如，在很多的图像算法中使用了8x8线程块来处理像素。
原文地址：http://blog.csdn.net/gggg_ggg/article/details/48202253
