一学习OpenCL开发架构

本文将作为我《从零开始做开发》系列文章的第一篇。
1 异构计算、GPGPU与
是当前一个通用的由很多公司和组织共同发起的多CPU\GPU\其他芯片异构计算（）的标准，它是跨平台的。旨在充分利用GPU强大的并行计算能力以及与CPU的协同工作，更高效的利用硬件高效的完成大规模的（尤其是并行度高的）计算。在过去利用GPU对图像渲染进行加速的技术非常成熟，但是我们知道GPU的芯片结构擅长大规模的并行计算（PC级的GPU可能就是CPU的上万倍），CPU则擅长逻辑控制，因此不只局限与图像渲染，人们希望将这种计算能力扩展到更多领域，所以这也被称为GPGPU（即通用处计算处理的GPU）。
简单的说，我们的CPU并不适合计算，它是多指令单数据流（MISD）的体系结构，更加擅长的是做逻辑控制，而数据处理基本是单流水线的，所以我们的代码for(i=0;...;i++)这种在CPU上要重复迭代的跑很多遍，但是你的显卡GPU则不是这样，GPU是典型的单指令多数据（SIMD）的体系结构，它不擅长逻辑控制，但是确实天生的向量计算机器，对于for(i=0;...;i++)这样的代码有时只需要跑一遍，所以图形世界中那么多的顶点、片段才能快速的并行在显卡中渲染处理

文章插图
GPU的晶体管可以到几十亿个，而CPU通常只有几个亿，

文章插图
如上图是的结构，它有着大量的并行计算单元。
所以人们就想如何将更多的计算代码搬到GPU上，让他不知做，而CPU只负责逻辑控制，这种一个CPU（控制单元）+几个GPU（有时可能再加几个CPU）（计算单元）的架构就是所谓的异构编程（），在这里面的GPU就是GPGPU 。异构编程的前景和效率是非常振奋人心的，在很多领域，尤其是高并行度的计算中，效率提升的数量级不是几倍，而是百倍千倍。
其实在很早就退出了利用其显卡的GPGPU计算 CUDA架构，当时的影响是很大的，将很多计算工作（科学计算、图像渲染、游戏）的问题提高了几个数量级的效率，记得那时来浙大介绍CUDA，演示了实时的ray 、大量刚体的互相碰撞等例子，还是激动了一下的，CUDA现在好像已经发展到了5.0，而且是NVDIA主力推的通用计算架构，但是CUDA最大的局限就是它只能使用N家自己的显卡，对于广大的A卡用户鞭长莫及。则在之后应运而生，它由极大主流芯片商、操作系统、软件开发者、学术机构、中间件提供者等公司联合发起，它最初由Apple提出发起标准，随后 Group成立工作组，协调这些公司共同维护这套通用的计算语言。Group听起来比较熟悉吧，图像绘制领域著名的软硬件接口API规范著名的也是这个组织维护的，其实他们还维护了很多多媒体领域的规范，可能也是类似于Open***起名的（所以刚听到的时候就在想它与有啥关系），没有一个特定的SDK，Group只是指定标准（你可以理解为他们定义头文件），而具体的则是由不同参与公司来做，这样你会发现NVDIA将做了实现后即成到它的CUDA SDK中，而AMD则将其实现后放在所谓是AMD APP （ Paral ）SDK中,而Intel也做了实现，所以目前的主流CPU和GPU都支持架构，虽然不同公司做了不同的SDK，但是他们都遵照同样的规范，也就是说原则上如果你用标准头中定义的那些接口的话,使用的SDK编的程序可以跑在A家的显卡上的。但是不同的SDK会有针对他们芯片的特定扩展，这点类似于标砖库和GL库扩展的关系。
的出现使得AMD在GPGPU领域终于迎头赶上的，但是虽为的一员，但是他们似乎更加看重自己的独门武器CUDA，所以N家对实现的扩展也要比AMD少，AMD由于同时做CPU和GPU，还有他们的APU，似乎对更来劲一些。

一 学习OpenCL开发架构

一学习OpenCL开发架构