这是减少CUDA的常用方法
在每个区块中
1）在每个线程的共享内存中保持一个递减的值。因此，每个线程将从全局内存中读取n个值（我个人比较喜欢16和32之间的值），值，并从这些值中更新减少的值
2）在块内执行约简算法，以使每个块获得一个最终的约简值。
这样，您不需要的共享内存多于（线程数）* sizeof（数据类型）字节。
由于每个块都有一个减少的值，因此您将需要执行第二次减少以获取最终值。
例如，如果每个块启动256个线程，并且每个线程读取16个值，则每个块可以减少（256 * 16 = 4096）个元素。
因此，给定一百万个元素，您将需要在第一遍中启动大约250个块，在第二遍中仅启动一个块。
对于这种配置，如果元素数>（4096）^ 2，则可能需要第三次通过。
您将必须注意全局内存读取已合并。您无法合并全局内存写入，但这是您需要承受的性能损失。
