opencl中的並行和減少實現

Question

我正在瀏覽鏈接中提供的NVIDIA示例代碼

在示例內核代碼（文件oclReduction_kernel.c ）中，reduce4使用以下技術：

1）展開和刪除線程ID <32的同步屏障。

2）除此之外，代碼還使用blockSize檢查對本地內存中的數據求和。 我認為在OpenCL中，我們有get_local_size(0/1)來了解工作組的大小。 塊大小使我感到困惑。

我無法理解上述兩點。 為什么這些事情以及如何幫助優化？ 對reduce5和reduce6的任何解釋也將有所幫助。

Answer 1

您已經在https://docs.nvidia.com/cuda/samples/6_Advanced/reduction/doc/reduction.pdf的幻燈片21和22中進行了解釋，其中@ Marco13在注釋中進行了鏈接。

• 隨着減少的進行，＃個“活動”線程減少
• • 當s <= 32時，我們僅剩一個翹曲
• 指令在扭曲內是SIMD同步的。
• 這意味着當s <= 32時：
• • 我們不需要__syncthreads（）
• • 我們不需要“ if（tid <s）”，因為它不保存任何工作

在不展開的情況下，所有扭曲都將執行for循環和if語句的每個迭代

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

該代碼實際上以32個線程為一組執行，這被NVIDIA稱為warp。

每個內核都可以執行一個順序線程，但是內核以NVIDIA所謂的SIMT（單指令，多線程）方式執行。 與傳統SIMD處理器非常相似，同一組中的所有內核都同時執行同一條指令。

關於2） blockSize看起來應該是工作組的大小。