我开始构建我的第一个严肃的OpenCL程序，我想确保我理解我的AMD R9 290x是如何设置的。 （GCN 2.0架构）。所以我只是说出我理解的内容，希望那里有人可以告诉我哪里对错？
在我看来，优化内核的一个主要问题是内存限制性能。我真的不想做过早的＆＃34;这里优化，但似乎至少考虑内存对OpenCL代码一般非常重要。 （请参阅使用GPU排序：调查（Dmitri I. Arkhipov +其他））
根据AMD's optimization guide，每个向量单元可以每4个时钟运行64个工作项，每个工作项可以访问256个32位vGPR。实际上，__私有数据（尝试）存储在vGPR中。
这导致1024＆＃34; easy＆＃34;访问OpenCL内核的寄存器。
看起来LDS（又名__local）可以用作OpenCL内核的高效存储，但它们的主要设计似乎是在整个工作组中传递数据。由于计算单元的64kb在4个向量单元（每个理想情况下至少有1个波前的64个工作项执行）之间共享，因此最多可以给出256个字节的LDS空间每个工作项使系统运行为＆＃34;宽＆＃34;尽可能。
因此，通过一些仔细的__local和__private变量分配，它似乎是1280＆＃34;快速访问＆＃34;每个工作项可用字节数。我猜L1缓存授予另外16kb（每个工作项只有64字节），但这需要一些小心的玩杂耍来使用。此外，L1缓存还包含代码/指令，并且不能全部用于数据。 ＆＃34; __恒定＆＃34;空间似乎是有效的L1空间，有些＆＃34;多路复用＆＃34;如果wavefront同步到同一索引，可能会发生魔法。
上述计算均未考虑每个矢量单位（似乎共享vGPR）的理论10波阵面。如果R9 290x实际上同时执行了40个波阵面，那么它们只能使用100个字节（每个工作项25个vGPR）的快速访问存储器。
所以...这是正确理解多少＆＃34;快速＆＃34;内存每个工作项都像R9 290x一样进入GCN设备？如果我们认为vGPR，L1和LDS空间是＆＃34; quick＆＃34;的总和。 R9 290x的存储空间可供使用，我们只需查看1024（vGPR）+ 64（L1）+ 256（LDS）空间即可使用。
我确实认识到内核可以扩展到全局内存（在典型的R9 290x上大约4GB，每个工作项大约大约1MB）。由于GPU上的全局内存仍然是高度并行化的GDDR5内存，我预计它会非常快，但它仍然比L1 / vGPR / LDS空间慢一些。因此，我希望最佳程序尽量避免在不需要时使用全局RAM。