opencl中的并行和减少实现

Question

我正在浏览link

提供的NVIDIA示例代码

在示例内核代码（文件oclReduction_kernel.c）中，reduce4使用

技术

1）展开并删除线程id＆lt;的同步障碍。 32.

2）除此之外，代码使用blockSize检查对本地内存中的数据求和。我认为在OpenCL中我们有get_local_size(0/1)来了解工作组的大小。 Block Size令我感到困惑。

我无法理解上述两点。为什么以及如何帮助优化？有关reduce5和reduce6的任何解释也会有所帮助。

Answer 1

您在https://docs.nvidia.com/cuda/samples/6_Advanced/reduction/doc/reduction.pdf的幻灯片21和22中已经解释了这一点，@ Marco13在评论中将其链接起来。

  

  
• 随着减少的进行，＃“活动”线程减少
  
•   
  • 当s <= 32时，我们只剩下一个经线
    
  
• 指令在warp中是SIMD同步的。
  
• 这意味着当s＆lt; = 32：
时   
•   
  • 我们不需要__syncthreads（）
    
  
•   
  • 我们不需要“if（tid＆lt; s）”，因为它不会保存任何工作
    
  

     

如果不展开，所有warp都会执行for循环的每次迭代   如果声明

并https://www.pgroup.com/lit/articles/insider/v2n1a5.htm：

  

代码实际上是由32个线程组执行的，NVIDIA是什么   叫做扭曲。

     

每个核心都可以执行顺序线程，但核心可以执行   NVIDIA称之为SIMT（单指令，多线程）时尚;   同一组中的所有核心同时执行相同的指令   时间，就像经典的SIMD处理器一样。

Re 2）blockSize看起来是工作组的大小。