啥？你把CUDA系列学习（一），（二）都看完了还不知道為什麼要用GPU提速？ 是啊。。经微博上的反馈我默默感觉到提出这样问题的小伙伴不在少数，但是更多小伙伴应该是看了（一）就感觉离自己太远所以赶紧撤粉跑掉了。。。都怪我没有写CUDA系列学习（零）。。。那么，这一章就补上这一块，通过一堆Q&A进行讲解，并辅助coding练习，希望大家感觉贴近CUDA是这么容易~~
请注意各个Q&A之间有顺序关系，轻依次阅读~ 否则不容易懂喔~
Q：现在硬件层面通常通过什么样的方法加速？
A：
- More processors
- Speed up clock frequency
- More memory
图1. Period - transistors(晶体管) size
途径：将晶体管做得更快更小，功耗更少，那么每块芯片上就可以放更多transistor
宏观上看，一个处理器上能同时处理的数据就越多。
Q：参考图2，为加速3大常见方法之一，提高clock frequency, 可见到后面clock speed就做不上去了。这是为什么呢？
图2. Period - Clock frequency
A：是晶体管不能做得更快更小了么？错！
- 关键问题在散热！即便晶体管越做越小也难以散热。所以，现在我们应该着眼于build更多小而低功耗（power-efficient）的processor来提速。
Q：CPU和GPU在设计上的区别？
A：
CPU: COMPLEX CONTROL HARDWARE
- flexible in performance :)
- expensive in terms of power :(
GPU: SIMPLE CONTROL HARDWARE
- more hardware for computation :)
- more power efficient :)
- more restrictive programming model :(
所以刚才说到的，目前想要设计更多power-efficient的处理器就是GPU的中心思想；CPU更重视优化 (minimize) latency而GPU更重视优化 (maximize) throughput。
Q：什么是latency，什么是throughput？
A：
比如，要驾车行驶5000km从A到B。
方法1：
by taxi，200km/h,可承载2人：latency = 25h，throughput = 2/25 person/h
方法2：
by bus, 50km/h, 可以承载10人：latency=100h，throughput = 10/100 person/h
所以CPU更喜欢taxi，因为一次过来速度快，GPU更喜欢bus，因为吞吐量大。
Q：CUDA是啥？CUDA programming软件层面的结构？
A：
Q：CUDA编程注意什么？
A： 注意GPU擅长什么！
- efficiency launching lots of threads
- running lots of threads in parallel
Q: kernel声明时对参数有没有限制？
A:
我们在CUDA系列学习（一）An Introduction to GPU and CUDA 中讲过kernel的声明：kernel<<<grid of blocks, block of threads>>> ，其限制是：maximum number of threads per block: 1024 for new, 512 for old。比如说，我希望2048个线程并行，不能直接申请kernel<<<1,2048>>>，而应该分开<<<a,b>>>,使a*b=2048 且a<=1024 && b<=1024.
Q: 具体讲一下kernel的general声明，参数意义与格式？
A: general表示：kernel<<<grid of blocks, block of threads, shmem>>>
shmem：shared memory per block in bytes
用G表示grid of blocks
用B表示block of threads
事实上，dim(x,y,z)中每一维默认都为1，所以：dim3(w,1,1)==dim3(w)==int w，即这三种表示是等效的
Q：CUDA程序中能够调用的常用 built-in variables都有哪些?
A:threadIdx, blockDim, blockIdx, gridDim
Q: CUDA程序模板来一个？
A: 说是模板，只是一个简单例子的大概套路，大家也可以参考CUDA系列学习（二）CUDA memory & variablesdifferent memory and variable types，如下：
1. 声明host变量，申请分配空间，并初始化
2. 声明device变量，申请分配空间
3. cudamemcpy将赋值了的host变量赋给device变量
4. 调用cuda kernel，并行跑线程
5. device返回结果传给host
6. 释放device变量memory
========================================
Exercise1：
input: float array [0, 1, 2, ... 63]
output: float array [0^2, 1^2, 2^2, ... 63^2]
Exercise2:
输入一张彩色图，转灰度图。
提示：
in CUDA, each pixel is represented in struct uchar4:
unsigned char r,b,g,w;//w: alpha channel, represent the transparent information
灰度转换公式：I = .299*r+.587*g+.114b（给rbg设置不同weight是人眼对不同通道的敏感度不同所致）
具体实现请参考 CUDA系列学习（二）CUDA memory & variablesdifferent memory and variable types，欢迎小伙伴们把exercise code和运行时间贴上来回复，最好和cpu版本有所比较~
参考资料：
udacity - cs344