对于GPU并行编程稍有了解的同学，应该知道存储优化是多么重要。减少主机端到设备端的数据传输次数，调用具有合适权限的不同种类的存储，优化数据结构与算法在存储中执行，直接决定了并行的效率。本章我们就来谈下如何针对存储的使用进行优化，来提升并行编程的效率。
1. 端到端的数据传输最小化
Host-Device之间的数据传输速度远低于global memory，因此需要减少数据传输的频率。一些基本的优化原则包括：
中间数据直接在GPU分配，操作和释放；GPU更适合重复计算。
如果数据传输没有减少，性能提升有限。
大块数据传输好于小块数据，数据小于80K，性能会受到延迟影响。
内存传输与计算时间重叠，采取双缓存模式提升效率。
合并访存：global memory带宽很大，但是具有较高的延迟。因此需要在访存时实现基于Wrap的合并访存以提高效率（我的理解是，线程访存与存储位置应该具有次序，以实现合并访存）
2. Shared Memory
比global memory快上百倍，可以通过缓存数据减少global memory访存次数。线程可以通过shared memory协作，用来避免不满足合并条件的访存。
很多线程访问存储器，因此存储器被划分为banks；连续的32位访存被分配到连续的banks；每个bank每个周期可以响应一个地址。如果有多个bank的话可以同时相应更多地址申请。出现多个bank冲突，会影响效率。
实例：矩阵转置，通过shared memory实现合并访存
均衡的使用bank来读取数据，来防止bank冲突：
左侧，如果竖向访问，一定会产生bank冲突。但是如果按照右边的方式，逻辑上对左侧矩阵的竖向访问也不会产生bank冲突，因为相邻关系被重新安排了。
3. 隐藏延时
这一部分主要是来讲如何对语句层面的代码进行优化，以实现在存储上的时间开销。
关键点：指令按顺序执行，一个线程的任意操作数没有预备好时将阻塞等待；延时在切换线程时被隐藏。
总结：需要足够多的线程来隐藏延时。
占用率：一个SM里面激活的warp和最大容纳数的比值。
数据预读实例：第二句可以插入到第一句中，实现延时隐藏。
编译器做循环的时候，会执行许多用于循环控制的指令，只有一部分用于浮点运算
如果可以展开循环，则能够提高效率。 这里使用blocksize来直接计算，不用循环。
可以使用语句进行自动展开：
4. 总结
至此，基于NVIDIA Fellow周斌老师的Cuda教学视频所作的Cuda系统性学习系列博客就算告一段落了。其实整个视频还是以做基础技术的介绍为主，主要涉及了Cuda编程中的一些关键技术点，但是并没有整段的程序开发优化介绍，这也许会让你觉得Cuda程序开发还是无从下手。学习Cuda编程，我的一个切身体会是，软件开发者终于不能忽视硬件执行层面的基本事实了，因为即使是访存顺序的偏差，也会大大的影响程序并行的执行效率。一个优秀的Cuda程序开发者需要对硬件层面的数据调用，存储使用以及代码执行有更加底层的，根本性的了解才能实现一段高效的Cuda程序。我第一次接触Cuda是在硕士阶段，我的经验是，Cuda上手容易，但精通却极其困难。但是，当你通过Cuda实现了程序执行质的飞跃时，那种欣喜会激励你继续在这项技术上投入精力。