一维网格：最基础的配置
说实话，一维网格是我用得最多的配置。为什么？因为大部分数据处理任务，本质上都是一维的。你想想看，一个数组有100万个元素，每个元素做一次计算，这不就是一维问题吗？
声明一维网格很简单：
dim3 grid(256); // 等价于 dim3 grid(256, 1, 1)
dim3 block(256); // 等价于 dim3 block(256, 1, 1)
kernel<<<grid, block>>>(d_data, N);这里有个细节我要强调一下。dim3是个三维向量，但你只传一个参数时，后面两个维度默认是1。我个人习惯是，即使只用一维，也明确写成dim3 grid(256, 1, 1)，这样代码读起来更清晰。
核心要点：一维网格适合处理线性数据，比如数组、向量、列表。每个线程处理一个或连续几个元素。
什么时候用一维网格？
我在项目中遇到过这样一个场景：需要对一个100万长度的浮点数组做逐元素归一化。这就是典型的一维问题。每个线程处理一个元素，网格大小就是ceil(N / blockSize)。
常见的适用场景：
- 向量加法、点乘、标量运算
- 数组排序、归约、扫描
- 图像的一维滤波（比如水平方向的高斯模糊）
- 任何数据量很大但维度单一的任务
小技巧：计算网格大小时，记得处理边界。我一般这样写：
int gridSize = (N + blockSize - 1) / blockSize;
kernel<<<gridSize, blockSize>>>(d_data, N);然后在核函数里加个if (idx < N)判断，防止越界。
二维网格：处理图像和矩阵
二维网格就更有意思了。我第一次用二维网格是在做图像卷积的时候。一张1920x1080的图片，每个像素需要访问周围3x3的邻域。如果用一维网格，你得手动计算行号和列号，代码写起来很别扭。
声明二维网格：
dim3 block(16, 16); // 16x16 的线程块
dim3 grid(
(width + block.x - 1) / block.x,
(height + block.y - 1) / block.y
);
kernel<<<grid, block>>>(d_image, width, height);你看，这样每个线程块天然对应图像的一个小区域。在核函数里，通过blockIdx.x和blockIdx.y就能直接定位到像素坐标，多直观。
为什么用二维？ 因为数据本身是二维的。用二维网格，你的代码逻辑和数据结构完全对应，可读性大大提升。而且，GPU的线程调度器对二维网格也有优化，访存模式更友好。
二维网格的典型场景
嗯，这里要注意，不是所有二维数据都适合用二维网格。我见过有人把一维数组硬套成二维网格，结果性能反而下降了。什么时候该用？
- 图像处理：滤波、边缘检测、色彩空间转换
- 矩阵运算：矩阵乘法、转置、LU分解
- 物理模拟：二维网格上的有限差分、流体模拟
- 机器学习：卷积层的前向传播、池化操作
避坑指南：我曾经在做一个矩阵转置时，用了32x32的线程块，结果共享内存爆了。后来才发现，每个线程块需要的共享内存是block.x * block.y * sizeof(float)，32x32就是4KB，再算上其他变量，很容易超限。建议二维线程块大小控制在16x16以内，除非你很清楚硬件限制。
三维网格：立体数据的处理
三维网格用得相对少一些，但一旦需要，它就是不可替代的。我记得有一次做CT图像重建，数据是512x512x512的体素。用一维或二维网格处理，代码复杂度会爆炸。三维网格直接搞定。
声明三维网格：
dim3 block(8, 8, 8); // 三维线程块
dim3 grid(
(depth + block.z - 1) / block.z,
(height + block.y - 1) / block.y,
(width + block.x - 1) / block.x
);
kernel<<<grid, block>>>(d_volume, width, height, depth);注意看，三维网格的声明方式和一维、二维完全一致，只是多了一个维度。在核函数里，你可以用blockIdx.x、blockIdx.y、blockIdx.z来定位体素坐标。
关键限制：三维网格的每个维度最大是65535（计算能力3.0以上是2^31-1）。但实际中，你很少会用到这么大的网格，因为线程块数量太多反而会降低占用率。
三维网格的使用场景
说白了，三维网格就是为三维数据量身定做的。我总结了几类典型应用：
- 体数据处理：CT/MRI图像重建、地震数据体分析
- 三维物理模拟：流体动力学、电磁场计算、分子动力学
- 深度学习：3D卷积神经网络、点云处理
- 科学计算：三维有限元分析、气候模型
个人经验：三维网格的线程块大小，我一般选4x4x4或8x8x8。为什么？因为每个线程块的总线程数是block.x * block.y * block.z，8x8x8=512，刚好是warp大小的整数倍。而且三维网格的访存模式比较复杂，线程块太大容易导致缓存抖动。
三种网格的对比与选择
你可能会问：到底该用哪种网格？我直接给你一个决策树：
| 数据类型 | 推荐网格 | 理由 |
|---|---|---|
| 一维数组（向量） | 一维网格 | 代码简单，访存连续，性能最优 |
| 二维数组（图像、矩阵） | 二维网格 | 坐标映射直观，共享内存利用方便 |
| 三维数组（体数据） | 三维网格 | 天然匹配数据结构，代码可读性强 |
| 一维数据但需要二维索引 | 一维网格 | 手动计算索引，避免网格维度浪费 |
重要提醒：不要为了用三维而用三维。我见过有人把一维数组包装成三维网格，结果每个维度只有几个线程块，GPU的并行度完全没发挥出来。记住，网格的每个维度至少要有几十个线程块，才能充分利用SM的并行能力。
实际项目中的选择策略
最后，我分享一个实际项目中的决策方法。在做性能调优时，我会先问自己三个问题：
- 数据是几维的？ 一维用一维网格，二维用二维网格，三维用三维网格。这是最自然的选择。
- 线程块大小是否合理？ 每个线程块至少128个线程，最多1024个。我一般选256或512。
- 网格大小是否足够？ 网格的每个维度至少几十个线程块，否则并行度不够。
如果这三个问题都答不上来，那就从一维网格开始试。一维网格的调优最简单，性能也最容易预测。等代码跑通了，再考虑是否要改成二维或三维。
总结一句话：网格的维度选择，本质上是在「代码可读性」和「性能」之间做权衡。对于大多数场景，选择与数据结构匹配的网格维度，就是最好的选择。
好了，这一章的内容就到这里。下一章我们会深入线程块的配置，包括线程块大小对性能的影响，以及如何选择最优的线程块尺寸。到时候我会分享一些具体的调优案例，都是我在项目中踩过的坑。