Optimization AMD GCN OpenCL上运行的优化内核一次只能使用1024字节吗？

我开始设计我的第一个严肃的OpenCL程序，我想确保我了解我的AMD R9 290x是如何设置的。（GCN 2.0体系结构）。所以我只想说我理解的，希望有人能告诉我哪里是对的，哪里是错的

在我看来，优化内核的一个主要问题是内存限制性能。我真的不想在这里进行“过早”的优化，但看起来至少考虑内存对于OpenCL代码来说是非常重要的。（见GPU排序：调查（Dmitri I.Arkhipov+其他））

根据，每个矢量单元每4个时钟可以运行64个工作项，每个工作项可以访问256个32位VGRP。实际上，私有数据（尝试）存储在VGGPRS中

这导致OpenCL内核有1024个“简单”访问寄存器

LDS（也称为本地）似乎可以用作OpenCL内核的高效存储，但它们的主要设计似乎是跨工作组进行数据通信。由于计算单元的64kb在4个向量单元之间共享（每个向量单元理想情况下至少有1个执行64个工作项的波前），因此可以为每个工作项提供最多256字节的LDS空间，以使系统尽可能“宽”地运行

---

因此，通过仔细分配局部变量和私有变量，每个工作项似乎有1280个“快速访问”字节可用。我猜一级缓存会再提供16kb（即每个工作项只有64字节），但这需要一些谨慎的处理。此外，一级缓存还包含代码/指令，不能全部用于数据。“__常数”空间似乎实际上是L1空间，如果波前同步到相同的索引，则可能会出现一些“多路复用”魔法

上述计算均未考虑理论上每矢量单位10个波前（似乎共享VGRP）。如果R9 290x实际上有40个波前同时执行，它们将只使用100字节（每个工作项25 vGPRs）的快速访问内存

---

所以。。。这是否正确理解了每个工作项在GCN设备（如R9 290x）中的“快速”内存量？如果我们认为VGPRS、L1和LDS空间是R9290X工作的“快速”存储的整体，我们只看1024（VGPR）+ 64（L1）+ 256（LDS）空间来工作。 我确实意识到内核可以扩展到全局内存（在典型的R9 290x上大约4GB，每个工作项大约1MB）。由于GPU上的全局内存仍然是高度并行的GDDR5内存，我希望它会非常快，但它仍然比L1/VGRS/LDS空间慢一个数量级。所以我希望最优程序在不需要的时候尽量避免使用全局RAM