cuda-минимальный пример, высокий регистр использования

рассмотрим эти 3 тривиальных, минимальных ядра. Их использование регистра много выше, чем я ожидал. Почему?

A:

__global__ void Kernel_A()
{  
//empty
}

соответствующий ptx:

ptxas info    : Compiling entry function '_Z8Kernel_Av' for 'sm_20'
ptxas info    : Function properties for _Z8Kernel_Av
    0 bytes stack frame, 0 bytes spill stores, 0 bytes spill loads
ptxas info    : Used 2 registers, 32 bytes cmem[0]

B:

template<uchar effective_bank_width>
__global__ void  Kernel_B()
{
//empty
}

template
__global__ void  Kernel_B<1>();

соответствующий ptx:

ptxas info    : Compiling entry function '_Z8Kernel_BILh1EEvv' for 'sm_20'
ptxas info    : Function properties for _Z8Kernel_BILh1EEvv
    0 bytes stack frame, 0 bytes spill stores, 0 bytes spill loads
ptxas info    : Used 2 registers, 32 bytes cmem[0]

C:

template<uchar my_val>
__global__ void  Kernel_C
        (uchar *const   device_prt_in, 
        uchar *const    device_prt_out)
{ 
//empty
}

соответствующее видеорегистратор PTX:

ptxas info    : Compiling entry function '_Z35 Kernel_CILh1EEvPhS0_' for 'sm_20'
ptxas info    : Function properties for _Z35 Kernel_CILh1EEvPhS0_
    16 bytes stack frame, 0 bytes spill stores, 0 bytes spill loads
ptxas info    : Used 10 registers, 48 bytes cmem[0]

вопрос:

почему пустой ядра A и B используют 2 регистра? CUDA всегда использует один подразумевается регистрация, но почему 2 дополнительных явно регистры используются?

ядро C еще более расстраивает. 10 регистры? Но есть только 2 указателя. Это дает 2*2 = 4 регистров указателей. Даже если есть дополнительно 2 таинственных регистра (предлагается по ядру A и ядру B), это даст 6 всего. еще гораздо меньше, чем 10 !

в случае, если вы заинтересованы, вот это ptx код для ядра А. ptx код для ядра B точно такой же, по модулю целочисленных значений и имен переменных.

.visible .entry _Z8Kernel_Av(    
)
{           
        .loc 5 19 1
func_begin0:
        .loc    5 19 0

        .loc 5 19 1

func_exec_begin0:
        .loc    5 22 2
        ret;
tmp0:
func_end0:
}

и С. ядра ..

.weak .entry _Z35Kernel_CILh1EEvPhS0_(
        .param .u64 _Z35Kernel_CILh1EEvPhS0__param_0,
        .param .u64 _Z35Kernel_CILh1EEvPhS0__param_1
)
{
        .local .align 8 .b8     __local_depot2[16];
        .reg .b64       %SP;
        .reg .b64       %SPL;
        .reg .s64       %rd<3>;


        .loc 5 38 1
func_begin2:
        .loc    5 38 0

        .loc 5 38 1

        mov.u64         %SPL, __local_depot2;
        cvta.local.u64  %SP, %SPL;
        ld.param.u64    %rd1, [_Z35Kernel_CILh1EEvPhS0__param_0];
        ld.param.u64    %rd2, [_Z35Kernel_CILh1EEvPhS0__param_1];
        st.u64  [%SP+0], %rd1;
        st.u64  [%SP+8], %rd2;
func_exec_begin2:
        .loc    5 836 2
tmp2:
        ret;
tmp3:
func_end2:
}

1. почему он сначала объявляет переменную локальной памяти (.local) ?
2. почему два указателя (учитывая как аргументы функции), хранящиеся в регистрах? Разве для них нет специального пространства?
3. возможно, два указателя аргументов функции принадлежат регистрам-это объясняет два .reg .b64 строки. Но что такое .reg .s64 линии? Почему он там?

становится еще хуже:

D:

template<uchar my_val>
__global__ void  Kernel_D
        (uchar *   device_prt_in, 
        uchar *const    device_prt_out)
{ 
    device_prt_in = device_prt_in + blockIdx.x*blockDim.x + threadIdx.x;
}

дает

ptxas info    : Used 6 registers, 48 bytes cmem[0]

таким образом, манипулирование аргументом (указателем) уменьшается с 10 до 6 регистры?