Shared memoryによる行列積の高速化を試みてみました．
CUDA公式のprogramming guideにも載っている基本課題ですが，
正直，全然（英語が）理解できなかったので，
挫折しかかっていたのですが，
http://www.ccn.yamanashi.ac.jp/~stomo/%E3%82%B5%E3%82%A4%E3%83%88/GPU_matrixMul.html
を参考に結局実装できました．
結果は以下のようになりました．
OS:Windows7
CPU:Intel Core i7 3.33GHz
GPU:GeForce780Ti
cublasを用いるよりも，自分でカーネルを書いたほうが高速化できるようです．
特に要素数が大きくなってくるとその差が顕著に！
