1、深入浅出CUDA的第一个平方和的例子，我改成float数据类型后与CPU结果有较大偏差，貌似7位数的正确，8位数开始出现偏差，是GPU硬件问题吗？那这样不是不能用GPU做大量浮点数据运算了？
2、GPU的并行化方式，这样理解对不对：
每个SM间的block并行
SM上的非active block等待active block运行完进入active状态
SM上active block间串行计算？非计算block可以准备数据
block内的thread一个warp一个warp的串行还是half-warp的串行？
3、grid、block维度如何设计性能最好？是定义thread数量为256，然后数据规模除以thread数得出block数，还是按照书上讲的计算每个SM允许的active block数？假设数据规模足够大，30个SM，每个SM最大8个active block，此时定义240个block与更多的block性能是不是一样的？
4、我测试cudaMemcpy的时间，为什么带宽只有SDK例子运算结果的1/4到1/2的样子？