Kernel 1: Naïve 实现

最简单的方法 — 每个线程计算一个输出元素

算法

对于矩阵乘法 C = A × B，其中：

• A 是 M × K
• B 是 K × N
• C 是 M × N

每个线程计算：

C[row, col] = Σ A[row, k] × B[k, col]  for k = 0 to K-1

线程映射

Grid:  (N + 15) / 16 × (M + 15) / 16 个 block
Block: 16 × 16 个线程

Block (bx, by) 中的 Thread (tx, ty) 计算：
  row = by × 16 + ty
  col = bx × 16 + tx
  C[row, col] 如果 row < M 且 col < N

内存访问模式

问题：非合并访问

Thread (0,0) 读取: A[0,0], A[0,1], A[0,2] ...  →  连续 ✓
                   B[0,0], B[N,0], B[2N,0] ...   →  步长-N ✗

Thread (0,1) 读取: A[0,0], A[0,1], A[0,2] ...  →  与线程 0 相同！
                   B[0,1], B[N,1], B[2N,1] ...   →  步长-N ✗

读取矩阵 B 时，连续线程访问间隔 N 个 float 的元素（步长-N 访问）。这导致：

1. 内存请求串行化 — GPU 必须发出单独的加载
2. 缓存效率低 — 加载的数据不能在线程间共享
3. ~12.5% 带宽利用率 — vs 合并访问的 100%

下一步

Naïve kernel 的主要瓶颈是内存带宽。下一个 kernel 将通过共享内存分块来解决这个问题：

→ 继续阅读 Tiled Kernel

---