《大规模并行处理器编程实战》学习，其他章节关注专栏 CUDA C
初次接触 CUDA C 编程不建议直接阅读，友情链接：
建议阅读：在卷积优化前，熟悉核函数的组织形式有利于更好的位置映射-CUDA编程入门（一）：以图片运算看线程的组织和核函数的使用
- 纯C++/CUDA 编写的卷积神经网络实现项目
对于输入数据为N[Width]，卷积核大小为M[Mask_Width]的卷积运算，进行不同程度的优化（这里的卷积指滤波/内积，而不需要旋转），输出为P[Width]。
1.常规的一维卷积
常规的一维卷积比较简单，线程数为Width，每个线程负责一个输出值得Mask_Width宽度的卷积运算，即：
2.利用共享存储器的卷积优化（使用光环元素的分块一维卷积）
由于直接卷积时，相邻线程在数据读取时都需要访问N，N在全局存储器上，这样会造成不断的访问全局存储器，因此可以利用共享存储器进行优化，先将数据放在共享存储器上，再不断的访问共享存储器，提高效率。
shared 变量声明的共享存储器对线程块是共享的，因此在使用分块卷积时才有优化的效果。可对于每一线程块先加载其整个线程块中的线程用到的数据N到共享存储器，然后再利用共享存储器进行计算，以减少线程块中线程对全局存储器的不断访问。
假如卷积核长度为5，数据长度为16，则分块卷积时，各个块内使用到的数据N如下：
分块0中的空元素称为幽灵元素，分块0中的2,3被分块1重复使用，分块1中的4,5同样被分块0使用，这些被多个块重复使用的元素称为光环元素/边缘元素。其余元素称为内部元素。
对于每个分块，建立一个共享存储器，将该分块用到的元素都放进去：
内部元素的加载比较简单，其映射与前面直接读取是一致的。对于光环元素的加载，采用不同的方式。如上图，分3步对共享存储器进行加载，n表示MASK_Width/2，即光环元素的长度：
-
第一步，利用线程块中后n个线程加载前面的光环元素（n个）。为什么要用后面的加载前面的，如上图所示，在分块1中，6,7的位置与分块0中2,3的位置是一致的，因此只需要在利用threadidx和blockidx计算N中的对应位置时将blockidx-1，即可从对6,7的映射变到对2,3的映射，这样更容易计算前n个光环元素在N中的位置，具体如下：
-
第二步，加载内部元素
-
第三步，加载后n个光环元素，同样利用前n个块中线程进行加载：
加载到共享存储器后，进行正常的运算即可：
3.利用通用高速缓存
对于光环元素， 由于两个分块都有读取，因此不一定需要加载到共享存储器上。因为分块0从全局存储器读取该光环元素后，分块1可以直接在通用高速缓存中读取，无须加载进共享内存。所有分块只需要把内部元素加载到共享存储器即可。
