我正在尝试学习开放式课程，但有一个 我不明白的混乱之源 现在，它与这些行有关
size_t global_item_size = LIST_SIZE; // Process the entire lists
size_t local_item_size = 64; // Divide work items into groups of 64
ret = clEnqueueNDRangeKernel(command_queue, kernel, 1, NULL,
&global_item_size, &local_item_size, 0, NULL, NULL);
我明白在LIST_SIZE线程上调用内核（我的意思是我执行了LIST_SIZE内核，希望是paralel）[对吧？] 但是什么意思
size_t local_item_size = 64; // Divide work items into groups of 64
？
这是否意味着每个线程/ kernell执行64通道类似simd的波前？ （如果是这样，我可以称之为双重并行化，但也许我会混淆一些东西）
有人可以澄清/帮助理解吗？，[也许可以添加一些关于在调度扭曲这些内核时需要注意什么？）
答案 0 :(得分：1)
工作组大小为64意味着整个工作负载将被分成64个组。波前比工作组大小更低级，并且受硬件/驱动程序控制 - 即开发人员无法更改波前大小
工作组可以在其自身内共享本地内存，但不能与外部组共享。本地内存通常比设备的全局内存快一个数量级。无论何时需要多次读取值，都需要将该值缓存在本地内存中。
我打算列出一个长篇大论的例子，说明本地内存和工作组何时有助于提高性能，但它偏离了你的问题范围。如果你想要我，我仍然可以发布它。
修改 如果没有示例，我觉得这些信息不是很有用。假设您需要在1920x1080图像上运行模糊滤镜。假设每个像素（5x5盒子）和32位像素（类型：浮点数）周围有2像素半径。
选项1 让每个工作项加载像素的正方形区域，处理目标输出像素，并将结果写回全局内存。这将生成正确的结果，但效率低下。源图像中的每个像素将被各种工作项读取多达25次，您的全局写入也将被分散。我将列出的其他选项不描述全局写入，只描述读取性能提升。 请注意，在幕后，opencl实现仍然将您的工作划分为工作组，即使您没有在代码中使用它们。
选项2a 利用本地内存和工作组来绕过全局内存瓶颈。与现代设备上的全局内存一样快，本地内存仍然快一个数量级。本地存储器通常以或接近设备的时钟速度运行。如果使用工作组大小64处理同一图像，则工作项可以协作处理输出图像的8x8区域。工作项可以将12x12像素区域加载到本地存储器中一次，并且从本地存储器读取处理像素所需的25次读取，从而大大加快了性能。每个像素的平均全局读取数为1.497（对比25！）。 240x135工作组可以这种方式处理整个1920x1080图像。
选项2b 使用工作组大小为64，您的论坛可以处理更大的图片区域。上述2a使用工作组来处理8×8输出区域，但它仅使用12 * 12 * sizeof（浮点）（= 576字节）的本地存储器。通过增加工作组的输出区域，可以减少双倍或四倍读取的边框像素。 opencl规范说设备需要32kb的本地内存。一些数学运算确定每个工作组可以安全地处理90x90平方的像素区域 - floor（sqrt（32768 / sizeof（float））= 90.每个像素的平均全局读取现在是1.041。只需要22x12个工作组。
当您能够将全局读取数量减少近24：1时，即使是低端GPU也会突然变为ALU性能限制。