WARP
GPU的线程从thread grid 到thread block，一个thread block在CUDA Core上执行时，会分成warp执行，warp的颗粒度是32个线程。比如一个thread block可能有1024个线程，分成32个warp执行。
上图的CTA（cooperative thread arrays）即为thread block。
Warp内的32个线程是以lock-step的方式锁步执行，也就是在没有遇到分支指令的情况下，如果执行，那么执行的都是相同的指令。通过这种方式32个线程可以共享pc，源寄存器ID和目标寄存器ID。
虽然warp是以32的颗粒度，但是具体在GPU内部执行时，也可能是以16的颗粒度，分两次执行，比如早期的fermi架构。
如上图所示，两个warp scheduler，每个warp每次只能在16个CUDA core上执行。
后续的Pascal GPU架构 CUDA core增加到了32个，每个周期都能执行一个warp。
寄存器
GPU的寄存器数量是影响划分CUDA thread block的数量的原因之一。
虽然内部执行是按照warp执行的，按照调度顺序和ready进行调度。但是寄存器的分配是静态的按照thread number分配的，而不是warp。在warp执行时，32个线程，每个线程读取源寄存器，写入目标寄存器。假设每个寄存器4B，那么每次32个线程读取128B。
因而128B也就是GPU L1 Cache Cacheline的大小。不同于CPU，每一级的cache都要维护MOSEI的一致性，对于GPU的thread来说，私有memory不需要共享，因此对于local memory可以write back。而全局共享memory则可以write evict。
CPU的寄存器，在编译器编译时，会根据寄存器的live time进行优化，而且在CPU内部执行时，进行重命名，在有限的寄存器数量上尽量的解决依赖问题。GPU只在编译时优化，尽量减少对memory的使用，在内部执行时，如果针对每个warp都增加一个寄存器重命名单元，设计复杂。因此GPU每个线程需要的寄存器就是它编译时需要的寄存器上限（寄存器上限也可以通过编译器控制）。这就导致了实际GPU内部执行时对寄存器使用数量的波动。如下图所示，因此也有很多文章研究如何优化寄存器的使用。
在编译时，nvcc可以通过指定--maxrregcount指定寄存器的数量，但是过多的寄存器会因为固定的寄存器资源而导致thread数量变少，过少的寄存器也会导致需要频繁的访问memory，因此也需要折衷。
WARP Divergence
之前讨论warp时说如果32个线程，没有遇到分支，那么每个线程都执行同一条指令，但是如果存在分支呢？
GPU没有CPU的分支预测，使用active mask和predicate register来构建token stack来处理遇到分支时的问题。
GPGPU-sim按照下图模拟的token stack，其中的
另一种可能的token stack则是按照如下的方式构建，结合了指令，predicate register和token stack。
上图中的（b）即为编译出的汇编指令，SSY 0xF0即为push stack，if else分支指令结束重聚的指令地址为0xF0。每个warp会有当前的active pc寄存器和active mask寄存器。我们假设一个warp内有8个thread，在SSY 0xF0指令执行时，会将active mask 压栈，压栈的内容包括Fig1 中的entry type SSY，active mask和re-convergence pc，也就是0xF0（从SSY 0xF0指令可以获得）.
在分支指令@PO BRA 0xB8执行时，会将DIV(divergence),active mask(0xF0，这个并非pc，而是active mask，当前warp的每个thread的predicate register拼接而成，8bit 每个bit表示一个thread是否满足if条件) 和 0xB8（if语句块内的第一条指令的地址）压栈。
然后gpu会默认执行else分支（因为if需要跳转，else直接顺序执行），执行else分支时，需要对active mask取反，只执行不满足if条件的那些thread。
Else分支的最后一条汇编指令末尾会增加.S flag用于标志pop stack，此时pop指令会将active mask出栈，更新到active mask寄存器和active pc中，然后执行if 分支，直到执行完毕if内的最后一条指令，对应地址0xE8，此时再次出栈。
将当前active pc更新为0xF0，active mask更新为0xFF，此时if else分支执行完毕，回到重聚点，所有线程继续lock-step锁步执行。
这里只假设一个if else，但是实际上可能存在if else的嵌套，因此第一步SSY 0xF0，可以理解成上下文切换时的先保存当前的active mask。
上述的方案与GPGPU-sim中的架构类似，除了在指令中显式的增加了压栈出栈。
-
2.Dynamic Warp Formation and Scheduling for Effificient GPU Control Flow
-
RegMutex: Inter-Warp GPU Register Time-Sharing
-
Analyzing Graphics Processor Unit (GPU) Instruction Set Architectures
