opencl中的并行和减少实现

Question

我正在浏览链接中提供的NVIDIA示例代码

在示例内核代码（文件oclReduction_kernel.c ）中，reduce4使用以下技术：

1）展开和删除线程ID <32的同步屏障。

2）除此之外，代码还使用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。 块大小使我感到困惑。

我无法理解上述两点。 为什么这些事情以及如何帮助优化？ 对reduce5和reduce6的任何解释也将有所帮助。

Answer 1

您已经在https://docs.nvidia.com/cuda/samples/6_Advanced/reduction/doc/reduction.pdf的幻灯片21和22中进行了解释，其中@ Marco13在注释中进行了链接。

• 随着减少的进行，＃个“活动”线程减少
• • 当s <= 32时，我们仅剩一个翘曲
• 指令在扭曲内是SIMD同步的。
• 这意味着当s <= 32时：
• • 我们不需要__syncthreads（）
• • 我们不需要“ if（tid <s）”，因为它不保存任何工作

在不展开的情况下，所有扭曲都将执行for循环和if语句的每个迭代

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

该代码实际上以32个线程为一组执行，这被NVIDIA称为warp。

每个内核都可以执行一个顺序线程，但是内核以NVIDIA所谓的SIMT（单指令，多线程）方式执行。 与传统SIMD处理器非常相似，同一组中的所有内核都同时执行同一条指令。

关于2） blockSize看起来应该是工作组的大小。