[fix] correct capitalization of GPU and CPU in documentation

docs/08_impl_reduce/README.md

@@ -6,9 +6,9 @@
 
 
 
-## 2. 使用 Gpu 实现 Reduce
+## 2. 使用 GPU 实现 Reduce
 
-### 2.1 Cpu 实现
+### 2.1 CPU 实现
 
 
 ```cpp
@@ -22,11 +22,11 @@ int reduce(int *arr, int len) {
 }
 ```
 
-可以看到，cpu 实现非常简单，一层循环就可以解决问题。但是，这个实现并不是纯函数式的，因为它有副作用，即修改了 `sum` 的值。我们可以用 Gpu 来实现一个纯函数式的 `Reduce`。
+可以看到，cpu 实现非常简单，一层循环就可以解决问题。但是，这个实现并不是纯函数式的，因为它有副作用，即修改了 `sum` 的值。我们可以用 GPU 来实现一个纯函数式的 `Reduce`。
 
-### 2.2 Gpu 层次结构
+### 2.2 GPU 层次结构
 
-首先我们先来回归一下 Gpu 的层次结构。也就是代码中的 `block` 和 `grid`。`block` 是一个线程块，`grid` 是一个线程网格。`block` 中的线程可以通过 `threadIdx.x` 来获取自己的线程 id，`grid` 中的线程可以通过 `blockIdx.x` 来获取自己的线程 id。`block` 中的线程可以通过 `blockDim.x` 来获取 `block` 的大小，`grid` 中的线程可以通过 `gridDim.x` 来获取 `grid` 的大小。
+首先我们先来回归一下 GPU 的层次结构。也就是代码中的 `block` 和 `grid`。`block` 是一个线程块，`grid` 是一个线程网格。`block` 中的线程可以通过 `threadIdx.x` 来获取自己的线程 id，`grid` 中的线程可以通过 `blockIdx.x` 来获取自己的线程 id。`block` 中的线程可以通过 `blockDim.x` 来获取 `block` 的大小，`grid` 中的线程可以通过 `gridDim.x` 来获取 `grid` 的大小。
 
 对于 `Reduce` 来说，我们可以按照下面这个图设计：
 
@@ -40,7 +40,7 @@ GPU 的计算过程如下图所示：
 
 以上图为例，我们来看一下 `Reduce` 的计算过程。首先，我们把数组分成了 `3` 个 `block`，每个 `block` 中有 `8` 个线程。在第一轮计算中，奇数线程会把自己的值累加到偶数线程中。在第二轮计算中，`block` 中的第 `0` 个线程会把 `4` 号线程的值累加到自己的值中。 每个 `block` 的值都计算完之后还需要对 `block` 的值进行累加，下面我们来看一下代码要如何实现。
 
-### 2.3 Gpu 实现
+### 2.3 GPU 实现
 
 我们首先看 `Kernel` 的实现，代码如下：
 
@@ -160,7 +160,7 @@ nvcc -o reduce_naive reduce_naive.cu
 
 ## 3. 总结
 
-本文主要讨论了如何用 Gpu 来实现 `Reduce`。我们首先回顾了 Gpu 的层次结构，然后我们用 Gpu 来实现了一个纯函数式的 `Reduce`。最后，我们对比了 cpu 和 gpu 的实现，发现 gpu 的实现更加简洁，而且可以充分利用 Gpu 的并行计算能力。下一篇文章我们将讨论如何优化 `Reduce` 的实现。
+本文主要讨论了如何用 GPU 来实现 `Reduce`。我们首先回顾了 GPU 的层次结构，然后我们用 GPU 来实现了一个纯函数式的 `Reduce`。最后，我们对比了 cpu 和 GPU 的实现，发现 GPU 的实现更加简洁，而且可以充分利用 GPU 的并行计算能力。下一篇文章我们将讨论如何优化 `Reduce` 的实现。
 
 ## Reference