C-04 钉死：少同步点不等于该 fuse。
本章回答垂直融合何时省 GMEM 真赚、何时寄存器/occupancy 把收益吃掉。
本机：瘦融合随链长3.9×→9.8×；fat把 occupancy 6→1，相对瘦融合慢8×。
配套可复现：Yapeng-Gao/AI-System-Performance-Lab（文章 +.cu+ 实测表）。有用请 Star。 本章示例：examples/03_compute_primitives/05_kernel_fusion.cu。
TL;DR（工程结论）
口径：RTX 5090 /
sm_120，CUDA eventmedian（整条链一包）。完整表见docs/results/C-05_kernel_fusion.md。
- 短 elementwise 链该垂直 fuse：
fused/naive@k=2…8 →3.87×→9.81×；fused 墙钟几乎平坦（~0.08 ms），naive 随 k 涨——主收益是少 GMEM 往返。 - fuse 也可能更慢：
fat（FAT_TEMPS=48）occupancy6→1，fat/fused=8.01×（更慢），甚至慢于 naive——寄存器压力悬崖成立。 - 两轴一起看：瘦融合与 stage 同为6 blocks/SM（不靠抬 occupancy 赚钱）；fat 必须看 occupancy + 墙钟。
- 可维护性也是代价：短链手写；长链先看编译器（→ E）。
- 判停：
sweep的加速比随 k 抬升；modes的fat/fused>1。禁止把 ncu 附着墙钟当结论。
1. 问题：少 launch 之后还该不该 fuse
| 问题 | 本章交付 |
|---|---|
| 多核点式链有多贵？ | naive（中间写 global） |
| 垂直融合能赚多少？ | fused+sweepvsk |
| 寄存器压力怎么翻车？ | fat定点 + occupancy |
| 和 Graph/launch？ | 一句钩子 → C-06 |
边界：
| 章节 | 已覆盖 | 本章不重复 |
|---|---|---|
| C-04 | sync 分层 | 不重测空同步 |
| C-06 | launch / Graph | 不拆 host launch |
| Module D | Softmax / GEMM epilogue | 不做生产算子融合 |
| Module E | torch.compile | 不做框架自动融合正文 |
左：每级写回 GMEM。中：单核寄存器直通。右：fat 人为堆 live 临时，occupancy 可能掉。
2. 物理模型：省流量 vs 烧寄存器
naive: x --K1--> GMEM --K2--> GMEM --K3--> y ← 多次往返 fused: x --[K1;K2;K3 in regs]--> y ← 一次写回 fat: fused + 一堆 live tmp → sink（压力探针）| 收益 | 风险 |
|---|---|
| 少 GMEM 读写 | 每线程 regs ↑ → occupancy ↓ |
| 少 kernel launch（次要） | spill / 难维护 |
| 编译器可跨级优化 | 过度融合难复用 |
水平融合（独立核拼一块）本章不做主线；见 §7。
3. API / 实验形态
| 路径 | 做法 |
|---|---|
| naive | k次kernel_stage，双缓冲 ping-pong |
| fused | 单核 fors=0..k-1stage_op |
| fat | 同 fused 写out；C05_FAT_TEMPS个 live 累加进sink防 DCE |
stage_op：y = a_s*y + b_s，偶级 ReLU。计时：一对 event 包住整条链。
4. 决策表
| 信号 | 建议 |
|---|---|
短点式链、大n、中间无复用需求 | 垂直融合 |
| 融合后 occupancy 明显掉、墙钟变差 | 拆回多核或减 live 量 |
| 只为少 launch | 先测墙钟；launch 拆解 →C-06/ Graph |
| 长链 / 框架图 | 先看编译器是否已 fuse → E |
| GEMM+epilogue | → Module D，不在本章手写 |
5. 实验怎么设计
| mode | 问题 | 进主结论？ |
|---|---|---|
naive/fused | 定点时延 | 定点 |
fat | 压力探针 | modes 定点（不进 sweep） |
sweep | k∈{2,3,4,6,8}：fused/naive | 主曲线 |
modes | 全表 + occupancy | 写结果用 |
./bin/03_compute_primitives_05_kernel_fusion--modesweep ./bin/03_compute_primitives_05_kernel_fusion--modemodes6. 实测（RTX 5090）
docs/results/C-05_kernel_fusion.md。口径：median；n=16M；block=256。
6.1 Sweep：fused/naivevsk
| k | naive_ms | fused_ms | fused/naive |
|---|---|---|---|
| 2 | 0.318 | 0.082 | 3.87× |
| 3 | 0.333 | 0.084 | 3.99× |
| 4 | 0.490 | 0.083 | 5.87× |
| 6 | 0.662 | 0.083 | 7.94× |
| 8 | 0.832 | 0.085 | 9.81× |
fused 几乎不随 k 涨；naive 近似线性——链越长，少写回越赚。
6.2 Modes（k=4，含 fat）
| tag | median_ms | occ_bpsm | 相对 |
|---|---|---|---|
| naive | 0.491 | 6 | — |
| fused | 0.083 | 6 | fused/naive5.89× |
| fat | 0.667 | 1 | fat/fused8.01×（更慢） |
怎么读：瘦融合不伤 occupancy；fat 把 blocks/SM 打到 1 后墙钟崩盘，甚至慢过 naive。
7. 扩展阅读
- CUDA Graph / launch 墙 →C-06（本章只把省 launch 当次要收益）。
- torch.compile / Inductor 自动 fuse → Module E。
- 水平融合 HFUSE；自动 VF 库（Fused Kernel Library 等）→ §10-D。
- GEMM epilogue / FlashAttention 类融合 → Module D。
8. 误区与 SOP
| 误区 | 纠正 |
|---|---|
| 能 fuse 就一定更快 | 看 occupancy / 墙钟；跑fat对照 |
| 少 kernel = 主收益 | 点式链主收益常是少 GMEM |
| fat 是生产写法 | 仅压力探针 |
| 用 ncu 附着 ms 当下结论 | 只信裸跑 median |
SOP
- 确认是垂直依赖的短点式链。
--mode sweep看fused/naivevsk。--mode modes看fat与 occupancy。- 仍为 launch 墙 → C-06；算子级融合 → D/E。
9. 小结与下一章
融合是用寄存器换流量；换过头 occupancy 先崩。sweep回答赚多少；fat回答怎样翻车。
下一章C-06 CUDA Graph 与 launch overhead：把「少 launch」这条轴单独测清——不再复读本章 elementwise 融合曲线。
10. 参考文献
A. 官方
- CUDA C Best Practices Guide（Memory / Occupancy）
- Occupancy API：
cudaOccupancyMaxActiveBlocksPerMultiprocessor
B. 工程
- NVIDIA, Kernel Fusion in NVIDIA CUDA
- NVIDIA, Shared Memory Register Spilling（CUDA 13）
- 寄存器阶跃 / spill 工程笔记（occupancy 阈值）
C. 实证
- Filipovič et al., arXiv:1305.1183（fusion on BLAS；occupancy 可拖慢）
- 本仓库
C-05_kernel_fusion.md（5090 主结论） - C-04：
phases≈1 ——「少同步/少 launch 不自动更快」同族
D. 前沿 / 扩展
- arXiv:2508.07071 Fused Kernel Library；HFUSE / MCFuser / FlashFuser 等
- torch.compile / Inductor → Module E
本文配套代码与实测：AI-System-Performance-Lab。觉得有用请 Star，后续章更新更好找。
