一：概述

        GPU 程序性能不是靠 CPU 那样的“顺序执行”来衡量的，而是靠线程块（block）和多处理器（SM）利用率。每个 block 在 GPU 的不同多处理器上执行，顺序不确定。传统的 kernel 总体计时（比如 cudaEvent 计时整个 kernel）只能知道总时间，无法分析哪个 block 慢，为什么慢。通过测量每个 block 的执行时间，可以发现是否有 block 被延迟（memory bottleneck），是否某些 block 数据访问不均衡（load imbalance），是否存在分支或线程 divergence 导致的性能差异。

二：代码分析

        本例子代码要实现的是测量 CUDA kernel 中每个 block 的执行时间，同时做一个并行归约（找最小值）。

        1、 每个 block 独立计时

         GPU 的 block 是并行执行的，并且执行顺序是不确定的。因此，无法用全局计时去测整个 kernel，而是每个 block 自己记录开始和结束时间。用 clock() 函数在 block 第 0 个线程记录：

timer[bid] = clock();          // block 开始时间
...
timer[bid + gr