warp矩阵函数：
C ++ warp矩阵操作利用Tensor Cores来加速D = A * B + C形式的矩阵问题。 这需要一个warp中所有线程的协作。
这些warp矩阵函数是计算能力为7.0或更高的设备支持的预览功能。 此处描述的数据结构和API在未来版本中可能会有所变化，并且可能与这些未来版本不兼容。
描述：
以下所有函数和类型都在命名空间nvcuda :: wmma中定义。
template<typename Use, int m, int n, int k, typename T, typename Layout = void>
class fragment;
template<> class fragment<matrix_a, 16, 16, 16, __half, row_major>
template<> class fragment<matrix_a, 16, 16, 16, __half, col_major>
template<> class fragment<matrix_b, 16, 16, 16, __half, row_major>
template<> class fragment<matrix_b, 16, 16, 16, __half, col_major>
template<> class fragment<accumulator, 16, 16, 16, __half>
template<> class fragment<accumulator, 16, 16, 16, float>
void load_matrix_sync(fragment<...> &a, const T* mptr, unsigned ldm);
void load_matrix_sync(fragment<...> &a, const T* mptr, unsigned ldm, layout_t,layout);
void store_matrix_sync(T* mptr, const fragment<...> &a, unsigned ldm, layout_t
layout);
void fill_fragment(fragment<...> &a, const T& v);
void mma_sync(fragment<...> &d, const fragment<...> &a, const fragment<...>
&b, const fragment<...> &c, bool satf = false);
fragment：
一个重载类，包含分布在warp中所有线程上的矩阵部分。 矩阵元素到片段内部存储的映射是未指定的，并且在将来的架构中可能会改变。
只允许某些模板参数的组合。 第一个模板参数指定片段如何参与矩阵操作。 使用的可接受值为：
- 当片段被用作第一被乘数A时，
- 当片段被用作第二被乘数时，matrix_b
- 当该片段被用作源或目标累加器（分别为C或D）时，累加器。
m，n和k大小描述了参与乘法累加运算的整经矩阵矩阵的形状。 每个瓦片的尺寸取决于其作用。 对于矩阵_a，瓦片的维数为m×k; 对于matrix_b，维数为k×n，累加器瓦片为m×n。
数据类型T对于被乘数必须是__half，对于累加器可以是__half或float。 必须为matrix_a和matrix_b片段指定Layout参数。 row_major或col_major分别指示矩阵行或列内的元素在内存中是连续的。 累加器矩阵的Layout参数应保留void的缺省值。 只有当累加器被加载或存储时才会指定行或列布局，如下所述。
load_matrix_sync：
等待直到经线中的所有线程都收敛为止，然后从存储器中加载矩阵片段a。 mptr必须是一个128位对齐的指针，指向内存中矩阵的第一个元素。 ldm描述连续行（对于行主要布局）或列（对于列主要布局）之间的元素的跨度，并且必须是16个字节的倍数（即，8个__half元素或4个浮动元素）。 如果片段是累加器，则布局参数必须指定为mem_row_major或mem_col_major。 对于matrix_a和matrix_b片段，根据片段的布局参数推断布局。 对于变形中的所有线程，mptr，ldm，布局和所有模板参数的值必须相同。 此函数必须由warp中的所有线程调用，否则结果未定义。
store_matrix_sync:
等待直到经线中的所有线程都收敛为止，然后将矩阵片段a存储到存储器中。 mptr必须是一个128位对齐的指针，指向内存中矩阵的第一个元素。 ldm描述连续行（对于行主布局）或列（对于列主要布局）之间的元素的跨度，并且必须是16个字节的倍数。 输出矩阵的布局必须指定为mem_row_major或mem_col_major。 对于变形中的所有线程，mptr，ldm，布局和所有模板参数的值必须相同。 此函数必须由warp中的所有线程调用，否则结果未定义。
fill_fragment:
填充具有常数值v的矩阵片段。由于未指定矩阵元素到每个片段的映射，因此该函数通常由warp中的所有线程调用，并具有v的公共值。
mma_sync：
等待直到warp中的所有线程收敛，然后执行warpsynchronous矩阵乘 - 累积运算D = A B + C。 就地操作C = A B + C也受支持。 每个矩阵片段的satf和模板参数的值对于warp中的所有线程都必须相同。 此外，模板参数m，n和k必须在分段A，B，C和D之间匹配。此函数必须由warp中的所有线程调用，否则结果未定义。
如果饱和（有限值）模式为真，则以下附加数值属性适用于目标累加器：
- 如果元素结果是+ Infinity，则相应的累加器将包含+ MAX_NORM
- 如果元素结果是-Infinity，则相应的累加器将包含 - MAX_NORM
- 如果元素结果是NaN，则相应的累加器将包含+0
因为未指定矩阵元素映射到每个线程的片段中，所以在调用store_matrix_sync之后，必须从内存（共享或全局）访问单个矩阵元素。 在特殊情况下，warp中的所有线程将统一应用一个基于元素的操作到所有片段元素，直接元素访问可以使用以下片段类成员来实现。
enum fragment<Use, m, n, k, T, Layout>::num_elements;
T fragment<Use, m, n, k, T, Layout>::x[num_elements];作为一个例子，下面的代码将累加器矩阵图块缩放一半。
wmma::fragment<wmma::accumulator, 16, 16, 16, float> frag;
float alpha = 0.5f; // Same value for all threads in warp
...
for (int t = 0; t<frag.num_elements; t++)
frag.x[t] *= alpha;例子：
以下代码在单个warp中实现了16x16x16矩阵乘法。
#include <mma.h>
using namespace nvcuda;
__global__ void wmma_ker(half *a, half *b, float *c) {
// Declare the fragments
wmma::fragment<wmma::matrix_a, 16, 16, 16, half, wmma::col_major> a_frag;
wmma::fragment<wmma::matrix_b, 16, 16, 16, half, wmma::row_major> b_frag;
wmma::fragment<wmma::accumulator, 16, 16, 16, float> c_frag;
// Initialize the output to zero
wmma::fill_fragment(c_frag, 0.0f);
// Load the inputs
wmma::load_matrix_sync(a_frag, a, 16);
wmma::load_matrix_sync(b_frag, b, 16);
// Perform the matrix multiplication
wmma::mma_sync(c_frag, a_frag, b_frag, c_frag);
// Store the output
wmma::store_matrix_sync(c, c_frag, 16, wmma::mem_row_major);
}
