OpenCL-全局内存读取性能优于本地

我有一个内核，我在NVidia GTX 680上运行，当从使用全局内存切换到本地内存时，它的执行时间增加了

我的内核是有限元光线跟踪器的一部分，现在在处理之前将每个元素加载到本地内存中。每个元素的数据存储在具有以下定义的struct fastTriangle中：

typedef struct fastTriangle {
    float cx, cy, cz, cw;
    float nx, ny, nz, nd;
    float ux, uy, uz, ud;
    float vx, vy, vz, vd;
} fastTriangle;

我将这些对象的数组传递给内核，编写如下（为了简洁起见，我删除了不相关的代码：

__kernel void testGPU(int n_samples, const int n_objects, global const fastTriangle *objects, __local int *x_res, __global int *hits) {
    // Get gid, lid, and lsize

    // Set up random number generator and thread variables

    // Local storage for the two triangles being processed
    __local fastTriangle triangles[2]; 

    for(int i = 0; i < n_objects; i++) {    // Fire ray from each object
        event_t evt = async_work_group_copy((local float*)&triangles[0], (global float*)&objects[i],sizeof(fastTriangle)/sizeof(float),0);

        //Initialise local memory x_res to 0's

        barrier(CLK_LOCAL_MEM_FENCE);
        wait_group_events(1, &evt);      


        Vector wsNormal = { triangles[0].cw*triangles[0].nx, triangles[0].cw*triangles[0].ny, triangles[0].cw*triangles[0].nz};

        for(int j = 0; j < n_samples; j+= 4) {
            // generate a float4 of random numbers here (rands

            for(int v = 0; v < 4; v++) {    // For each ray in ray packet
                //load the first object to be intesected
                evt = async_work_group_copy((local float*)&triangles[1], (global float*)&objects[0],sizeof(fastTriangle)/sizeof(float),0);

                // Some initialising code and calculate ray here
                // Should have ray fully specified at this point;


                for(int w = 0; w < n_objects; w++) {        // Check for intersection against each ray

                    wait_group_events(1, &evt);

                    // Check for intersection against object w


                    float det = wsDir.x*triangles[1].nx + wsDir.y*triangles[1].ny + wsDir.z*triangles[1].nz;
                    float dett = triangles[1].nd - (triangles[0].cx*triangles[1].nx + triangles[0].cy*triangles[1].ny + triangles[0].cz*triangles[1].nz);


                    float detpx = det*triangles[0].cx + dett*wsDir.x;
                    float detpy = det*triangles[0].cy + dett*wsDir.y;
                    float detpz = det*triangles[0].cz + dett*wsDir.z;


                    float detu = detpx*triangles[1].ux + detpy*triangles[1].uy + detpz*triangles[1].uz + det*triangles[1].ud;
                    float detv = detpx*triangles[1].vx + detpy*triangles[1].vy + detpz*triangles[1].vz + det*triangles[1].vd;


                    // Interleaving the copy of the next triangle
                    evt = async_work_group_copy((local float*)&triangles[1], (global float*)&objects[w+1],sizeof(fastTriangle)/sizeof(float),0);

                    // Complete intersection calculations

                } // end for each object intersected

                if(objectNo != -1) atomic_inc(&x_res[objectNo]);
            } // end for sub rays
        } // end for each ray
        barrier(CLK_LOCAL_MEM_FENCE);

        // Add all the local x_res to global array hits


        barrier(CLK_GLOBAL_MEM_FENCE);
    } // end for each object
}

\uuu内核无效测试GPU（int n\u样本、const int n\u对象、全局const fastTriangle*对象、局部int*x\u res、全局int*hits）{
//获取gid、lid和lsize
//设置随机数生成器和线程变量
//正在处理的两个三角形的本地存储
__局部快速三角形[2]；
对于（int i=0；i

当我第一次编写这个内核时，我并没有在本地内存中缓冲每个对象，而是从全局内存中访问它，即不是三角形[0]。cx我将使用对象[I]。cx

当开始优化时，我切换到使用上面列出的本地内存，但随后观察到执行运行时间增加了约25%

---

当使用本地内存缓冲对象而不是直接访问全局内存时性能会更差？

如果本地内存有助于更快地运行，它实际上取决于程序。在使用本地内存时需要考虑两件事：

在将数据从全局复制到本地以及再次从本地复制到全局时，需要进行额外的计算

我看到你有3次“障碍（…）”，这些障碍是性能杀手。所有OpenCL任务都必须在障碍处等待所有其他任务。这样，并行性受到阻碍，任务不再独立运行

---

当您在计算中多次读取数据时，本地内存非常好。但是快速读取和写入需要获得比复制和同步更高的性能增益。

对我来说，这很清楚。他正在从全局复制到本地，使用一次并删除数据。Fr此目的最好是一次性访问。