我有一个奇怪的问题，一个运行良好的应用程序，但有一些无理的性能丢失。应用程序和代码是私有的，但我可以在这里给它一些详细的工作模式（简化了很多）。
我的应用使用4个内核：
1. Preprocesses
Reads "I" buffer; Writes to "T" buffer
2. Process
Reads + Writes "T" buffer
3. Parse & Preprocess
Reads + Writes "T" buffer, & writes "O" buffer
4. Check
Reads "O" buffer; Writes to "C" buffer (result of Check)
所有缓冲区都保存在设备中。 “I”和“O”缓冲区各为200kB缓冲区。 “T”缓冲区大约为20MB，从不在GPU外部使用。 “C”缓冲区只是一个4字节的int给出了结果。
系统以3种不同的形式运行：
- Pure iterative: Write,1,2,3,2,3,2,3,.....,2,3,Read
- Iterative + Reading intermediate: Write,1,2,3,Read,2,3,Read,2,3,.....,2,3,Read
- Iterative + Check: Write,1,2,3,4,Read(C),2,3,4,Read(C),2,3,.....,2,3,Read
在第一种模式下，所有内核都会立即排队，我对该模式没有任何问题，只需运行最大GPU利用率（和CPU）。 其他2种模式使用内核的渐进式排队，如果读取值不正确，则会对一组新内核进行排队。
然而，在第二和第三模式中，在每次从设备读取之后，设备保持空闲一段时间。我对该程序进行了描述，每次读取后都有一小部分（100us）没有GPU使用时间。写入部分后不会发生这种情况。 我为I / O和执行创建了2个独立的队列，以实现并行化，没有运气。
差距是这样的（明天我可以发布一个Visual Profiler的屏幕）：
- 写入，1,2,3-，读取，2， GAP 下，如图3所示，读取，2， GAP 下，3，...，2,3 ，读取
就我测试的HD5770，HD5570，GTX570，C2050，C2070而言，此问题出现了。而在Windows和Linux中。 但在Quadro 2000M中运行完全正常，甚至可以执行并行内核执行和I / O !!
有什么我想念的吗？固定内存比手动clCreate + clWrite / Read更快吗？它可以解决这个问题吗？ 我意识到我可以在那个间隙中运行内核2多次，但不可能运行内核3，内存“O”是否以某种方式受到保护并阻止内核3运行？
PD：我在有间隙的模式下有一些clWaitForEvents。我测试了删除它们，差距减少了约50％，但CPU使用率从20％增加到100％。这可能与CPU或调度程序/驱动程序有关吗？