1 加载数据
每个线程从全局内存加载一个元素到共享内存中，
2 规约操作： 需要处理log N步
第一个线程规约前两个元素
第二个线程规约接下来的两个元素
每两次相加得到部分和
。。。。依次类推
每个一步后都有一半的线程被丢弃了，处于死状态
最终只有一个线程处于活跃转态
3 将结果写回全局内存
二叉树算法
算法效率低，有效利用率低。
指令分散导致效率很低
很多cuda core处于空闲转态。
step 1有一半的线程处于空闲转态
step 2 又有一半的线程处于空闲转态
没有指令分化，会有跨内存的操作（64,32,16,8）每次线程数减半
----------------------------------------------------------------------------------------------
每个不同的thread 访问不同bank ，可以一次访问得到所有的数据，效率是最高的。
第一个循环：一半的线程处于空闲
第二个循环：另一半的线程处于空闲
。。。。。