硬件资源
在硬件上，GPU的资源有SP和SM。
- SP：最基本的处理单元，streaming processor，也称为CUDA core。最后具体的指令和任务都是在SP上处理的。GPU进行并行计算，也就是很多个SP同时做处理。我们所说的几百核心的GPU值指的都是SP的数量；
- SM：多个SP加上其他的一些资源组成一个streaming multiprocessor。也叫GPU大核，其他资源如：warp scheduler，register，shared memory等。SM可以看做GPU的心脏（对比CPU核心），register和shared memory是SM的稀缺资源。CUDA将这些资源分配给所有驻留在SM中的threads。因此，这些有限的资源就使每个SM中active warps有非常严格的限制，也就限制了并行能力。
每个SM包含的SP数量依据GPU架构而不同，Fermi架构GF100是32个，GF10X架构是48个，Kepler架构是192个，Maxwell架构是128个，Turing架构是64个。相同架构的GPU包含的SM数量则根据GPU的中高低端来定。下图是Turing架构的SM。
软件资源
从软件上看，即GPU的线程模型，可以分为Grid、Block、Thread和Warp，其中前三个用下面的图表示非常的直观。
- Thread：一个CUDA的并行程序会被以许多个threads来执行
- Block：数个threads会被群组成一个block，同一个block中的threads可以同步，也可以通过shared memory通信
- Grid：多个blocks则会再构成Grid
- Warp：GPU执行程序时的调度单位，同一个warp里的线程执行相同的指令，即SIMT。
举一个比较形象的例子，把GPU当做一个学校，学校里面有不同的年纪（Grid），每个年纪有几个班（Block），每个班都有很多的学生（Thread），平时干值日要分不同的组（Warp），目前又给Warp中，有32个线程，即一个班中32个同学为一组一起干值日。
存储资源
每一个Thread都有自己的local memory和resigters，即每个同学都可以把自己的东西放到自己的课桌上；每一个Block有shared memory，这个Block中的所有Thread都可以访问，即每个班所在的教室里的走道、讲台等，是这个班里同学们的公共区域；Grid之间会有Global memory和Cache，所有的Grid都可以访问，即学校里的操场、餐厅等，是全校同学的公共区域。
GPU模型总结
我们把GPU跟一个学校对应起来，学校里有教学楼、操场、食堂，还有老师和学生们；很快有领导来检查，因此这个学校的学生们要完成打扫除的工作。
软件资源包括Thread、Warp、Block和Grid，硬件资源包括SP和SM。
软件资源和硬件资源的最小单位我们都认为是学生，即一个Thread对应一个SP（SP可以分为更小的ALU等，我们这里先不考虑）。
Block对应的是班级，Warp是班级里的不同小组，每个小组有32个学生；SM是教学楼的一个楼层，一个楼层上可以有多个班级；一个Grid是一个年级，年级和楼层并没有确定的对应关系。
每个学生都有个课桌 ，放自己的物品，不能让别人用，表示每个Thread都有自己的空间（local memory + registers)；
每个班级在一个教室里，教室里的有公共的空间（走道、讲台等），所有同学都可以停留，表示一个Block中有shared memory，这个Block中的Thread都可以访问；
学校里的公共区域，比如操场、食堂等，所有同学都可以去运动、吃饭，表示GPU中有一些公共的存储空间供所有的Grid访问。
虽然GPU是并行运行，但也并不是我们理想中所有的Thread一起工作，在打扫卫生时，并不是所有学生一起干活，一个楼层同一时刻只能有一组32个学生（即一个Warp）干活，其他的学生都处于等待状态。
