• 计算掩盖IO的延迟
    • 例如 像 transpose 这种访存相关的操作，我们通过对一个特殊的矩阵乘，进行一次转换，达到transpose的结果，而非从片外存储中，来进行load。
  • 矩阵分块与合并
    • 进行与硬件的规格相匹配，例如GPU 中 warp的概念（32 thread 同步执行），shared memory 这种可编程的存储。
  • 计算与load/store流水起来，减少气泡的等待
  • 充分利用dsp资源，如果有效利用率达到80%以上，那么就已经很成功了。