我已经使用CUDA几周了，但是对于块/线程/线程组的分配仍有一些疑问。
我从教学的角度研究这个架构（大学项目），所以达到最高性能不是我的关注点。
首先，我想了解一下我是否掌握了以下事实：
程序员编写一个内核，并将其执行组织为线程块网格。
每个块分配给一个流多处理器（SM）。一旦分配，它就不能迁移到另一个SM。
每个SM将自己的块拆分成线程束（目前具有最大大小为32的线程）。线程束中的所有线程都在SM的资源上同时执行。
线程的实际执行由SM中包含的CUDA核心执行。线程和核心之间没有特定的映射。
如果线程束包含20个线程，但当前只有16个核可用，则线程束将不会运行。
另一方面，如果块包含48个线程，则它将被拆分为2个线程束，并且只要有足够的内存可用，它们将并行执行。
如果线程在一个核上启动，然后因为内存访问或长时间的浮点操作而被阻塞，它的执行可能会在另一个核上恢复。
这些正确吗？
现在，我有一块GeForce 560 Ti显卡，根据规格说明，它配备了8个SM，每个SM包含48个CUDA核心（总共384个核心）。
我的目标是确保架构的每个核心都执行相同的指令。假设我的代码不需要更多的寄存器，超过每个SM中可用的寄存器数量，我想象了不同的方法：
我创建8个具有48个线程的块，以便每个SM都有1个要执行的块。在这种情况下，48个线程将在SM中并行执行（利用所有可用的48个核心）吗？
如果我启动64个块，每个块有6个线程，是否会产生任何区别？（假设它们将在SMs之间平均映射）
如果我在计划的工作中“淹没”GPU（例如创建1024个块，每个块有1024个线程），是否可以合理地假设所有核心在某个时刻都将被使用，并且将执行相同的计算（假设线程从未停顿）？
是否有任何方法使用分析器检查这些情况？
有没有关于这些内容的参考资料？我读过CUDA编程指南以及“大规模并行处理器编程”和“CUDA应用设计与开发”中专门讲解硬件架构的章节；但我无法得到精确的答案。