CUDA BY EXAMPLE 5.3.1節。 N次元ベクトル2つの内積を、256スレッドからなる複数のブロックを使って求める。 ブロック数は32個とするが、Nが小さい場合には必要な数だけのブロックを起動する。 各ブロックは、担当の部分の要素の積の和を求めて結果をCPUに返す。 よって32個以下の値がCPUに返ってくる。この総和（が内積である）をCPUは求めて表示する。
各スレッドの仕事は以下のようになっている。
- Nがちょうど256*32である場合、256*32個のスレッドそれぞれは1つのベクトル要素対を担当し、その積を求める。
- N=256*32*2である場合、ひとつのスレッドは、あるベクトル要素対と、そこから256*32個後ろのベクトル要素対の2つを担当し、それぞれの積の総和を求める。一般にN=256*32*Mの場合、各スレッドはM個のベクトル要素対の積の総和を求める。
- Nが256*32よりも小さい場合、スレッド数が足りる（つまりN以上となる）最小の数だけのブロックを起動する。
Nがぴったり256の倍数でない場合の処理は常套句の while (tid < N) で行われている。
各スレッドが自分の担当するところの積の和を求めたら、ブロック内で縮約して総和を求め、CPUに返す（カーネルの仮引数c、mainから見ると(dev_)partial_c）。CPUは返された32個（あるいはそれ以下）の値の総和を求める。
68ページにある最小倍数
回りの分かりにくい部分は、こう読むといい：「データ要素がN個なので、ドット積を計算するのに必要なスレッドはN個である。スレッド数が256個*32ブロックでは多すぎる場合には、threadsPerBlock (=256) の倍数であってかつN以上であるような最も小さい個数のブロックを用いればよい。これはベクトルの和でも取り上げた。今回の場合は、(N+threadsPerBlock-1))/threadsPerBlock を計算することで、そのようなブロック数を求める。」
ビジー状態を保つ
はよく分からない。