可向量化循环
可向量化循环通常是指在编程中，能够被转换为向量操作或矩阵运算的循环结构。
在传统编程中，对于数组或向量中的每个元素执行相同的操作时，开发者可能会使用for循环逐一进行处理。然而，许多现代编程语言和库提供了向量化操作，允许直接对整个数组或向量执行操作，而不需要显式循环。
例如，在Python中使用NumPy库时，可以直接用数组运算来替代循环，如numpy.array([1, 2, 3]) + numpy.array([4, 5, 6])，这背后实际上是由NumPy库实现的高效矢量化计算。
识别出循环体内的操作可以并行执行，并且这些操作通常是对同维度数据执行相同类型的数学运算，比如加法、乘法等。通过将这些操作合并成单个向量操作，编译器或运行时环境可以利用SIMD（单指令多数据流）指令或其他并行计算资源，使得多个数据元素能够同时被处理。
向量化循环体
向量化循环体是指将原本使用循环结构（如for循环）逐一处理数组或向量元素的代码，转换为使用向量操作或高阶函数一次性对多个元素进行处理的方式。这种转换的核心目的是提高执行效率，尤其是利用现代CPU和GPU的向量处理单元，它们能并行处理多个数据，显著加快计算速度。
在传统的循环中，代码可能如下所示，遍历数组的每个元素并执行某种操作
result = []
for i in range(len(array)):
result.append(array[i] * 2)而向量化这个循环体后，可以利用支持向量操作的库（如Python的NumPy库）来实现相同的功能，不再需要显式的循环：
import numpy as np
array = np.array([1, 2, 3, 4])
result = array * 2在这个向量化版本中，array * 2这条语句实际上是对整个数组执行了一个乘以2的操作，而不是逐一处理每个元素。底层库（如NumPy）会使用高度优化的代码，可能包括SIMD指令，来并行处理数组中的数据，大大提升了执行效率。
流式多处理器(SM)
流式多处理器是GPU架构中的核心计算模块，是GPU并行计算能力的关键组成部分。
特性：
（1）SIMT（单指令多线程）架构：SM采用了单指令多线程的工作模式，类似于SIMD（单指令多数据）但增加了线程级别的并行性。在SIMT模式下，一个线程束（Warp，通常包含32个线程）中的所有线程执行相同的指令，但可以对不同的数据进行操作。
多线程并行执行：每个SM能够同时运行多个线程，每个线程块包含多个线程。这意味着在任意给定时刻，一个SM上可以有成百上千个线程并发执行，极大地提高了并行处理能力。
硬件资源：SM内部包含了执行单元（如ALU）、寄存器、共享内存、常量内存、纹理内存、以及特殊功能单元（如SFU，用于处理特定数学运算如三角函数和平方根）。这些资源被线程按需分配和共享，以支持高效的并行计算。
内存层次结构：SM与全局内存、纹理内存、常量内存以及高速缓存（如L1和L2缓存）交互，同时也管理着每个SM独有的共享内存资源，后者是线程块内部线程间通信和数据共享的关键。
线程调度和执行：GPU的驱动程序或运行时系统负责将计算任务（内核函数）分解为线程块，并将这些块分配给可用的SM执行。SM内部的硬件逻辑负责线程的调度、执行和同步。
什么是线程束wrap?
线程束（Warp）是GPU执行程序时的基本调度单位。一个线程束通常包含32个线程，这些线程一起执行相同的指令，但是可以作用于不同的数据。这意味着，当一个指令发出时，线程束中的所有线程会并行执行该指令，但是每个线程会使用各自的数据进行计算。
在SIMT模式下，虽然线程束中的线程执行相同的指令，但每个线程拥有独立的程序计数器和状态寄存器，以及各自的私有数据。
(内存访问)为了优化性能，设计核函数时会考虑线程束内局部性，即鼓励线程束内的线程访问相邻的内存地址。这样可以减少内存延迟，因为线程束中的线程访问的数据可以被一起预取和处理(√)
(不活跃线程)如果一个线程块的大小不是32（线程束的大小）的整数倍，那么最后一个线程束将包含不活跃的线程（即没有实际任务的线程），但这个线程束仍然作为一个整体被调度和执行(√)。
(挂起与切换)在某些情况下，如等待内存访问完成时，线程束可能会挂起。GPU硬件会在此时切换到另一个可执行的线程束继续执行，以维持计算的连续性，直到所有线程束都执行完毕或遇到等待状态，这称为上下文切换。(√)
线程束发散：线程束内的线程编号连续，并且在遇到条件分支时，即使分支条件不同，所有线程也会一起执行两种可能的路径，但只有符合条件的线程会更新结果，这称为“线程束发散”(√)。
线程块（Block）
线程块是线程束的集合，是更高一级的组织单元。一个线程块可以包含多个线程束，线程数量可以在程序中指定，但受限于GPU的最大限制。线程块内的线程可以通过共享内存进行高效的通信和数据共享，这对于需要局部数据交互的算法非常有用。GPU上的多个线程块可以并行执行，但同一个线程块内的线程会尽可能在同一SM上执行，以利用共享内存和减少通信开销。
待补充......
