我是 CUDA 初学者。
到目前为止，我了解到，每个 SM 有 8 个块（线程）。假设我将数组中的元素乘以 2 的简单工作。但是，我的数据比线程少。
没问题，因为我可以切断线程的“尾巴”以使它们空闲。但是，如果我理解正确，这将意味着一些 SM 将获得 100% 的工作，而一部分（甚至没有）。
因此，我想计算哪个 SM 正在运行给定线程并以这样的方式进行计算，即每个 SM 具有相同的工作量。
我希望它首先有意义:-)如果是这样，如何计算给定线程正在运行哪个SM？或者——当前SM的索引和它们的总数？换句话说，在 SM 术语中相当于 threadDim/threadIdx。
更新
评论太长了。
罗伯特，谢谢你的回答。当我尝试消化所有内容时，这就是我所做的——我有一个“大”数组，我只需将值相乘*2并将其存储到输出数组（作为热身；顺便说一句。我所做的所有计算，在数学上都是正确的）。所以首先我在 1 个块，1 个线程中运行它。美好的。接下来，我尝试以这样一种方式拆分工作，即每个乘法只由一个线程完成一次。结果我的程序运行速度慢了大约 6 倍. 我什至感觉到为什么——获取有关 GPU 的信息的小惩罚，然后计算我应该使用多少块和线程，然后在每个线程中而不是单次乘法，现在我有大约 10 个额外的乘法来计算数组中的偏移量一个线程。一方面我试图找出如何改变这种不受欢迎的行为，另一方面我想在 SM 之间平均分布线程的“尾巴”。
我改写 - 也许我错了，但我想解决这个问题。我有 1G*2的小作业（仅此而已）——我应该用 1K 线程创建 1K 块，还是用 1 个线程创建 1M 块，用 1M 线程创建 1 个块，等等。到目前为止，我阅读了 GPU 属性，划分、划分和盲目地使用网格/块的每个维度的最大值（或所需的值，如果没有要计算的数据）。
编码
size是输入和输出数组的大小。一般来说：
output_array[i] = input_array[i]*2;
计算我需要多少块/线程。
size_t total_threads = props.maxThreadsPerMultiProcessor
* props.multiProcessorCount;
if (size<total_threads)
total_threads = size;
size_t total_blocks = 1+(total_threads-1)/props.maxThreadsPerBlock;
size_t threads_per_block = 1+(total_threads-1)/total_blocks;
Haveprops.maxGridSize和props.maxThreadsDimI 以类似的方式计算块和线程的尺寸 - 从total_blocks和threads_per_block.
然后是杀手部分，计算线程的偏移量（“内部”线程）：
size_t offset = threadIdx.z;
size_t dim = blockDim.x;
offset += threadIdx.y*dim;
dim *= blockDim.y;
offset += threadIdx.z*dim;
dim *= blockDim.z;
offset += blockIdx.x*dim;
dim *= gridDim.x;
offset += blockIdx.y*dim;
dim *= gridDim.y;
size_t chunk = 1+(size-1)/dim;
所以现在我有了当前线程的起始偏移量，以及用于乘法的数组（块）中的数据量。我没有在grimDim.z上面使用，因为 AFAIK 总是 1，对吧？