我在下面的链接中给出了博客作为矩阵转置的示例，因为下面的链接显示了如何使用 3 种方法进行矩阵转置，朴素、凝聚和 Nobankconflict 凝聚
https://github.com/parallel-forall/code-samples/blob/master/series/cuda-cpp/transpose/transpose.cu
在 Main（） 中，当调用内核代码时，所有 3 个方法都以类似的方式调用它，如下面的代码部分（取自主函数主机）：
cudaMemset(d_tdata, 0, mem_size);
// warmup
transposeNoBankConflicts << <dimGrid, dimBlock >> >(d_tdata, d_idata);
cudaEventRecord(startEvent, 0);
for (int i = 0; i < NUM_REPS; i++)
transposeNoBankConflicts << <dimGrid, dimBlock >> >(d_tdata, d_idata);
cudaEventRecord(stopEvent, 0);
cudaEventSynchronize(stopEvent);
cudaEventElapsedTime(&ms, startEvent, stopEvent);
cudaMemcpy(h_tdata, d_tdata, mem_size, cudaMemcpyDeviceToHost);
我什至在网上阅读了代码的解释，这是矩阵转置的良好参考
http://devblogs.nvidia.com/parallelforall/efficient-matrix-transpose-cuda-cc/
但有一部分没有解释：
为什么如您所见内核被调用两次：1\ 一次作为评论说热身2\ 秒下 for 循环最多 100 次 （NUM_REPS），这是一个初始化为 100 的 #define 值，
那么为什么不叫它一次呢？为什么叫两次和第二个100循环呢？即使仅使用其中一个进行了测试，它们都给出了有效的输出，但时间不同，
希望我的问题清楚，如果需要注意，请告诉我，谢谢
这与矩阵转置无关：这些是准确计时代码块的一些基础知识。
第一个关键点是函数通常运行得如此之快，以至于您无法从定时函数中获得对其运行时的精确估计：因此，需要在循环中多次运行函数，以便获得更好的精度。
（而且你必须注意你实际上是在计时你想要的东西;有时优化器很聪明，你尝试的最简单的事情实际上不会是计时你想要的;例如，优化器可能会找到一种方法来有效地混合代码的结尾和开头，或者它可能会注意到你没有通过循环使用前 99 次的输出，所以它不会打扰运行它们。不过，您可能不会受到这种影响 nvcc ，因为它几乎肯定会将内核编译为不透明的函数调用）
第二个关键点是，由于多种原因，第一次迭代通常比以后的迭代慢，下面列出了一些原因。因此，为了获得准确的计时，您通常不希望在计时中包含第一次迭代。
- 也许您的数据通常在缓存中，但第一次迭代还没有，所以第一次会有很多缓存未命中。（相反，如果你的代码预期在数据不在缓存中运行时，并且已经在缓存中会影响计时，你应该做一些事情来污染迭代之间的缓存）
- 在 CPU 上，第一次接触内存区域会产生页面错误，这可能非常慢。我不确定这种效果是否出现在 GPU 上
- GPU 上未充分利用的计算单元可能会切换到省电模式。我不熟悉细节，但关键是第一次通过（或者可能是前几次通过）GPU 可能会被降频，或者许多功能单元可能会关闭，"预热"GPU 将使其恢复到其全部能力。