比如一个kernel如下：
// N = rows*cols
for(int i=0; i<N;++i)
{
int r=i//rows;
int c=i%cols;
out+=mat0[r][c]*mat1[c][r]
}
分析它的数据流图为：
n4：循环+1
n1：判断 i
n2：i // rows
n3：i % cols
n5：接收n2，n3的值并从mat0 load
n6：接收n2，n3的值并从mat1 load
n7：相乘
n8：加法
n9：累加，由n4控制，表示如果满足“i > bound”，则无需进行实际的累加
如果是cpu的话，9个节点，需要9次计算，如果是gpu的话，也要9次计算，但是gpu可以接收向量化计算，就是一次可以计算多个值。
接下来我们看怎么靠一个2x2的cgra来加速计算：
cycle0: tile0计算n1拿到 i，留存在自己mem并输出给tile2
cycle1：tile0用cycle0的 i 算 n2，就是 i//rows，结果存自己mem同时发给tile2，同时tile2用 cycle0的i算n3，就是i%cols，结果存自己mem同时发给tile0，同时tile1可以开始算n4，就是循环+1
cycle2：tile0算n6，即用cycle1的结果加载 `mat1[c][r]`并发给tile2，tile2算n5，即加载`mat0[r][c]`并放在自己mem里
cycle3：tile2算n7，即相乘，然后输出到tile3，同时tile0又可以开始算n1了
cycle4：除了做和cycle1一样的操作，tile3还计算n8，即加法
cycle5：除了做和cycle2一样的操作，tile1还计算n9，out+=累加，并把结果放到tile3供下一次n8使用
这看似需要5个cycle才能完成一整个计算，但是可以发现从cycle3已经开始流水线了，就是不用完全等到一整个计算结束才开始计算n1，所以等循环跑起来之后，比如下边cycle6 -> cycle8就可以完成n1到n9的所有操作，那么在3个cycle就可以完成一整个操作，II 就是 3。
而cpu/gpu需要9个cycle才能完成，speedup = 9/3 = 3。CGRA加速器实现了cpu/gpu三倍的计算速度。
