triton矩阵乘以及缓存优化

这里triton.cdiv(M, META['BLOCK_SIZE_M']) * triton.cdiv(N, META['BLOCK_SIZE_N'])，所以grid的形状是一维的。

观察函数内部

pid = tl.program_id(axis=0)，因为grid是一维的，所以这里就是总块数，我们假设实际A*B=C，

A，B形状是574*574，块形状是64*64，这样一共有81块，pid就是0~80，

这里用574/64=9,所以num_pid_m和num_pid_n都是81

num_pid_in_group = GROUP_SIZE_M * num_pid_n，算的是一个组有多少块，这里假设是3*9，所以一组27块。

group_id = pid // num_pid_in_group算组id，当前pid//27就得到所在组id，比如30//27=1,说明30块在组1

first_pid_m = group_id * GROUP_SIZE_M，每一组的第一个块在结果矩阵中是第几行。

因为数据不一定能整除，最后一个组可能少，所以有

group_size_m = min(num_pid_m - first_pid_m, GROUP_SIZE_M)

pid_m = first_pid_m + (pid % group_size_m)pid_n = (pid % num_pid_in_group) // group_size_m

这两行做映射，是关于pid和结果矩阵中块位置的映射，

行坐标=组号*每组行数+pid%每组行数，pid%3知，pid三个三个一排，也就是算的当前pid在当前组里相对是第几行，比如如果是4，4%3=1，可知pid=4在当前组第一行（0，1，2），那么组号*每组行数就可以相对整组位移，最终可以知道pid和c矩阵中行位置的映射

列坐标=pid%每组总数//每组行数，pid%每组总数可知当前组顺序是第几块，也就是27块中的第几块，比如pid%4就会得到4，然后4//=1就知道在第几列了，

所以pid的对应关系就和上图的一样的顺序对应。

这里比如想要计算块pid=4，那么就需要拿到A的第一行和B的第一行，

这里各自会得到一个二维矩阵，里面的指针值就是所指向的元素位置，这里只是第一块

这里就好理解了，就是A矩阵从列迭代，B从行迭代，

不同的顺序，所要求的缓存中所需要的空间不一样，下面这一种在缓存受限的情况下要好。