template  __global__ void
matrixMulCUDA_4_1w2w(float* C, float* A, float* B, int wA, int wB)
{
        // Block index
        int bx = blockIdx.x;
        int by = blockIdx.y;

        // Thread index
        int tx = threadIdx.x;
        int ty = threadIdx.y;

        // Index of the first sub-matrix of A processed by the block
        int aBegin = wA * BLOCK_SIZE * by;

        // Index of the last sub-matrix of A processed by the block
        int aEnd = aBegin + wA - 1;

        // Step size used to iterate through the sub-matrices of A
        int aStep = BLOCK_SIZE;

        // Index of the first sub-matrix of B processed by the block
        int bBegin = BLOCK_SIZE * bx;

        // Step size used to iterate through the sub-matrices of B
        int bStep = BLOCK_SIZE * wB;

        // Csub is used to store the element of the block sub-matrix
        // that is computed by the thread
        float CSub[2] = { 0,0 };

        // Declaration of the shared memory array As used to
        // store the sub-matrix of A
        __shared__ float Aa[BLOCK_SIZE][BLOCK_SIZE];
        __shared__ float Ab[BLOCK_SIZE][BLOCK_SIZE];

        // Declaration of the shared memory array Bs used to
        // store the sub-matrix of B
        __shared__ float Bs[BLOCK_SIZE][2 * BLOCK_SIZE];
        __shared__ float Bb[BLOCK_SIZE][2 * BLOCK_SIZE];

        // Initial load
        Aa[ty][tx] = A[aBegin + wA * ty + tx];
        Bs[ty][tx] = B[bBegin + wB * ty + tx];
        Bs[ty][tx + BLOCK_SIZE] = B[bBegin + BLOCK_SIZE * wB * ty + tx];

        // Synchronize to make sure that initial matrices are loaded
        __syncthreads();

        // Loop over all the sub-matrices of A and B
        // required to compute the block sub-matrix
        for (int a = aBegin, b = bBegin;
                a <= aEnd;
                a += aStep, b += bStep)
        {
                // copy contents betweeen shared matrixes
                Ab[ty][tx] = Aa[ty][tx];
                Bb[ty][tx] = Bs[ty][tx];
                Bb[ty][tx + BLOCK_SIZE] = Bs[ty][tx + BLOCK_SIZE];

                // Synchronize to make sure the matrices are loaded
                __syncthreads();

                // Load the matrices from device memory
                // to shared memory; each thread loads
                // two elements of each matrix
                if (a + aStep < aEnd) {
                        Aa[ty][tx] = A[a + wA * ty + tx];
                        Bs[ty][tx] = B[b + wB * ty + tx];
                        Bs[ty][tx + BLOCK_SIZE] = B[b + BLOCK_SIZE * wB * ty + tx];
                }

                // Multiply the two matrices together;
                // each thread computes one element
                // of the block sub-matrix
                for (int g = 0; g < 2; g++) {
#pragma unroll
                        for (int k = 0; k < BLOCK_SIZE; ++k)
                        {
                                CSub[g] += Ab[ty][k + (g * BLOCK_SIZE)] * Bb[k][tx + (g * BLOCK_SIZE)];
                        }
                }
                
                // Synchronize to make sure that the preceding
                // computation is done before loading two new
                // sub-matrices of A and B in the next iteration
                __syncthreads();
        }
        
        // Write the block sub-matrix to device memory;
        // each thread writes one element
        int c = wB * BLOCK_SIZE * by + BLOCK_SIZE * bx;
        for (int g = 0; g < 2; g++) {
                C[c + (BLOCK_SIZE * g) + wB * ty + tx] = CSub[g];
        }
}