【OpenCL】初学摘要（一）

因项目需要，开始学习OpenCL了，这是基于我正在阅读的资料，整理出的一个摘要。方便以后自己回顾以及其他同学参考。没有列出所有函数的参数和返回值列表，可查询文档:

https://www.khronos.org/registry/cl/sdk/2.0/docs/man/xhtml/

资料来源：OpenCL 2.0Reference Pages，AMD OpenCL大学课程ppt，OpenCL贴吧。

 

并行

任务并行：把一个问题分解为能够同时执行的多个任务。

数据并行：同一个任务内，它的各个部分同时执行。

多核GPU适合基于任务的并行编程，GPU更适应于数据并行编程。

在GPU上，一般通过循环展开（Loopstrip mining 技术），来把串行代码改成并行执行的。

GPU的程序一般称作Kernel程序，它是一种SPMD的编程模型。SPMD执行同一段代码的多个实例，每个实例对数据的不同部分进行操作。

在数据并行应用中，用loop stripmining来实现SPMD是最常用的方法：

• 在分布式系统中，我们用MessagePassing Interface (MPI)来实现SPMD。
• 在共享内存并行系统中，我们用POSIX线程来实现SPMD。
• 在GPU中，我们就是用Kernel来显现SPMD。

在现代CPU上，创建回一个线程的开销很大，如果要在CPU上实现SPMD，每个线程处理的数据块就要尽量大点，做更多的事情，以便减少平均线程开销。但在GPU上，都是轻量级的线程，创建、调度线程的开销比较小，所以我们可以做到把循环完全展开，一个线程处理一个数据。

GPU上并行编程的硬件一般称作SIMD。通常，发射一条指令后，它要在多个ALU单元中执行（ALU的数量即使simd的宽度），这种设计减少了控制流单元以级ALU相关的其他硬件数量。

 

OpenCL架构

OpenCL可以实现混合设备的并行计算，这些设备包括CPU，GPU，以及其它处理器，比如Cell处理器，DSP等。使用OpenCL编程，可以实现可移植的并行加速代码。但由于各个OpenCL device不同的硬件性能，可能对于程序的优化还要考虑具体的硬件特性。

通常OpenCL架构包括四个部分：