天马行空，隐姓埋名

接下去一大段时间，会把所有的精力放在opencl 并行优化编程的学习中，在此过程中记录学习的要点，开发环境是：macbook pro + xcode + c++迷迷糊糊毕业两年多了，做过系统工程师，做过android应用开发，最终我选择C++开发，但是目前职场上C++开发的职位大都是后台服务器开发，我曾经一度想选择服务器这个方向，但是我我的内心深处告诉我，你曾经学的那些机器学习算法呢？

前言：接触opencl并行计算变成之前，在我的认知观中，所谓的并行应该就是应用多线程技术达到，比如openMP，openMPI等多线程技术。不过这些都是在cpu上运行，原理都是更好的利用多核处理器的硬件特性，让程序最大程度的利用了多核的优势。 接触opencl之后，认识到了opencl编程技术可以把一些复杂的代码搬运到GPU或其他加速处理器上运行，而gpu又比cpu更适应与计算比如加法，乘法等。第

前言上一篇文章，分析了简单的矩阵相乘在opencl里面的优化kernel代码，每个work-item只负责计算结果矩阵的一个元素。下一步准备每次计算出结果矩阵的块元素，看看计算时间是如何。这个矩阵系列参考国外一个大神的教程： https://cnugteren.github.io/tutorial/pages/page4.html 有每个kernel的详解工程，还有github代码工程。具体分析

简单概念理解在opencl中，有个索引空间NDRange的概念，NDRange是一个N维的索引空间，N可以是1，2，3。NDRange由一个长度为N的整数阵列来定义，他指定了索引空间各个维度的宽度，每个work-item的全局id和局部id，都是N维元组。有多个work-item构成的叫做work-group，作業組的 ID 跟作業項的全局 ID差不多。一個長度為 N 的陣列定義了每個維度上作業組的