当线程束中的所有线程都访问相同的只读数据时，使用常量内存将获得额外的性能提升。
常量内存大小限制为64k。
以下摘自hackairM的博文CUDA学习--内存处理之常量内存（4）。
常量内存其实只是全局内存的一种虚拟地址形式，并没有特殊保留的常量内存块。常量内存有两个特性，一个是高速缓存，另一个是它支持将单个值广播到线程束中的每个线程。但要注意的是，对于那些数据不太集中或者数据重用率不高的内存访问，尽量不要使用常量内存。
当常量内存将数据分配或广播到线程束中的每个线程时（注意，实际上硬件会将单次内存读取操作广播到半个线程束），广播能够在单个周期内发生，因此这个特性是非常有用的。虽然当所有16个线程都读取相同地址时，这个功能可以极大提高性能，但当所有16个线程分别读取不同的地址时，它实际上会降低性能。如果半个线程束中的所有16个线程需要访问常量内存中的不同数据，那么这个16次不同的读取操作会被串行化，从而需要16倍的时间来发出请求。但如果从全局内存中读取，那么这些请求就会同时发出。这种情况下，从常量内存读取就会慢于从全局内存中读取。
需要注意的是，当我们声明一个内核常量的时候，在编译器将CUDA C代码转换成PTX汇编代码时会用字面值（0x55555555）直接替换常量值(data)的地址。
const int data = 0x55555555; int d = data; //此时data会直接编译为字面值0x55555555但当我们声明的是一个常量数组时，编译器在将C代码转换成PTX汇编代码时将会使用数组地址在汇编代码中。
const int data[3] = {0x11111111, 0x22222222, 0x33333333}; int d = data[1]; //此时data[1]会被编译为data[1]的地址这时，在费米（计算能力为2.x的硬件）架构的设备上，全局内存借助一级缓存也能达到与常量内存相同的访问速度。只有在计算能力为1.x的设备上，由于全局内存没有用到缓存技术，此时使用常量内存才会获得明显的性能提升。
下例中使用常量内存性能并未获得提升（Time to generate与不使用常量内存接近）。
运行《CUDA By Example》第六章示例有约8%的提升（4.8ms到5.2ms，小样本）。
#include <windows.h>
#include <iostream>
__constant__ float dev_input[5*5*24*24]; //57600<64000
__global__ void MaxPool2d(const int height, const int pooled_height, float* top_data)
{
int x = blockIdx.x;
int y = blockIdx.y;
int dx = gridDim.x;
int tx = threadIdx.x;
int ty = threadIdx.y;
int dtx = blockDim.x;
int dty = blockDim.y;
float s = -10000.0;
int index2 = y*dx*dtx*dty + x*dtx*dty + ty*dtx + tx;
int index = y*dx*height*height + x*height*height + ty*pooled_height*height + tx*pooled_height;
for (int u = 0; u < pooled_height && (u + pooled_height*tx)<height; ++u)
for (int v = 0; v < pooled_height && (v + pooled_height*x)<height; ++v)
if (*(dev_input + index + u*height + v)>s)
s = *(dev_input + index + u*height + v);
*(top_data + index2) = s;
}
int main()
{
cudaEvent_t start, stop;
cudaEventCreate(&start);
cudaEventCreate(&stop);
const int N = 5, M = 5, H = 24, W = 24, D = 2;
const int PH = H / D + H % D;
int image_size = N*M*H*W*sizeof(float);
int out_size = N*M*PH*PH*sizeof(float);
float mul_by = 0.01;
float *input, *output, *dev_output;
input = new float[image_size];
output = new float[out_size];
for (int i = 0; i<N*M*H*W; i++)
*(input + i) = i*mul_by;
cudaMalloc((void**)&dev_output, out_size);
//cudaMalloc((void**)&dev_input, image_size);
cudaMemcpyToSymbol(dev_input, input, image_size);
dim3 grid(M, N);
dim3 threads(PH, PH);
DWORD start_time = GetTickCount();
cudaEventRecord(start,0);
MaxPool2d << <grid, threads >> >( H, D, dev_output);
cudaMemcpy(output, dev_output, out_size, cudaMemcpyDeviceToHost);
DWORD end_time = GetTickCount();
cudaEventRecord(stop, 0);
cudaEventSynchronize(stop);
float elapsedTime;
cudaEventElapsedTime(&elapsedTime,
start, stop);
std::cout << "Time to generate: "<<elapsedTime<< "ms\n";
cudaEventDestroy(start);
cudaEventDestroy(stop);
std::cout << "Cost: " << end_time - start_time << "ms." << std::endl;
for (int i = 0; i<10; i++)
std::cout << *(output + i) << std::endl;
//cudaFree(dev_input);
cudaFree(dev_output);
delete[] output;
delete[] input;
system("pause");
}
/*
Time to generate: 0.071552ms
Cost: 0ms.
0.25
0.27
0.29
0.31
0.33
0.35
0.37
0.39
0.41
0.43
*/