3.3.1 针对特定 GPU 架构（Compute Capability）的内核选择

文档摘要

3.3.1 针对特定 GPU 架构（Compute Capability）的内核选择在深度学习训练与高性能计算的战场上，GPU早已不是一块“通用加速卡”——它是一台由成千上万个流式多处理器（SM）构成的、具有精密微架构时序约束的并行引擎。而CUDA内核，就是我们向这台引擎注入指令的唯一语言。但问题来了：同一段代码，在A100（Compute Capability 8.0）上能跑出92%的TFLOPS利用率，在RTX 4090（CC 8.9）上却卡在73%，在H100（CC 9.0）上甚至因寄存器溢出而编译失败——这不是编译器的bug，而是我们默认放弃了对硬件本质的尊重。