template  __global__ void
matrixMulCUDA_3_2w1w(float* matrixMulCUDA_4_2w1w(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 % BLOCK_SIZE;
        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 = 0;

        // Declaration of the shared memory array Bs used to
        // store the sub-matrix of B
        __shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE];
        __shared__ float BBs[BLOCK_SIZE][BLOCK_SIZE];
        __shared__ float As[BLOCK_SIZE][BLOCK_SIZE];
        __shared__ float AAs[BLOCK_SIZE][BLOCK_SIZE];

        // Initial load of data
        As[ty][tx] = A[aBegin + wA * ty + tx];
        Bs[ty][tx] = B[bBegin + wB * ty + tx];

        // 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)
        {
                {

                // Declaration of Copy values between matrixes
                AAs[ty][tx] = As[ty][tx];
                BBs[ty][tx] = Bs[ty][tx];

                // Synchronize to make sure the shared memory array As used to
                // store the sub-matrix of A
                __shared__ float As[BLOCK_SIZE][BLOCK_SIZE];

                // Declaration of the shared memory array Bs used to
                // store the sub-matrix of B

                __shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE];
matrices are loaded
                __syncthreads();

                // Load the matrices from device memory
                // to shared memory; each thread loads
                // one element of each matrix
                As[ty][tx] = A[a + wA * ty + tx];
                Bs[ty][tx] = B[b + wB * ty + tx];

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

                // Multiply the two matrices together;
                // each thread computes one element
                // of the block sub-matrix

tx];
#pragma unroll
                for (int k = 0; k < BLOCK_SIZE / 2; k++)
                {
                        Csub += As[ty][k AAs[ty][k + (BLOCK_SIZE / 2) * tx] * Bs[k BBs[k + (BLOCK_SIZE / 2) * tx][tx];
                }

                // 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;
        C[c + wB * ty + tx] += Csub;
}