Performance OpenCL/nVidia中的慢速并行内存访问，我错过了什么？

我正在玩OpenCL、Geforce GTX550和Ubuntu14.04的驱动程序版本331.38。让我困惑的是从全局内存复制到本地内存的速度。据我所知，以下代码应该对全局内存进行联合访问：

void toLocal(__local float* target, const __global float* source, int count) {
    const int iterations = (count + get_local_size(0) - 1) / get_local_size(0);
    for (int i = 0; i < iterations; i++) {
        int idx = i * get_local_size(0) + get_local_id(0);
        if (idx < count)
            target[idx] = source[idx];
    }
}

void toLocal（_本地浮点*目标，常量_全局浮点*源，整数计数）{
常量int迭代=（计数+获取局部大小（0）-1）/获取局部大小（0）；
对于（int i=0；i

实际上，以下代码（应使用所有线程反复复制同一个浮点）的速度要快得多：

void toLocal(__local float* target, const __global float* source, int count) {
    for (int i = 0; i < count; i++)
        target[i] = source[i];
}

void toLocal（_本地浮点*目标，常量_全局浮点*源，整数计数）{
for（int i=0；i

源和目标都直接指向缓冲区的开头，所以我猜它们是正确对齐的。组大小是16乘16，尝试使用所有线程会使代码更加复杂，但不会影响速度。最佳合并组大小为128字节或32个浮点，但据我所知，在compute model 2卡（GTX550）上，仅使用部分或甚至排列元素的代价应该不会太大。将本地内存围栏添加到第一个版本只会使其速度变慢。还有什么我错过的吗

---

编辑：将组大小更改为32乘32使并行版本的速度大致与顺序16乘16的速度一样快，并使顺序版本稍微慢一些。仍然不是我期望的速度提升。

如果设置

-cl opt disable

构建选项会发生什么？它禁用优化。在第二段代码中，Combiner可能意识到相同的变量被一次又一次地复制，并将其优化为一个副本？根据，对全局内存的访问有很高的延迟（幻灯片9）。确切的数字很难说，因为这段代码所来自的实际内核大部分时间都在做其他事情。实际速度介于19.2毫秒（我的并行拷贝或异步工作组拷贝在32x32上，对于16x16上的循环）到20.8毫秒之间（16x16上的并行复制，32x32上的循环）。全局内存的高延迟正是我将内容复制到本地内存的原因。让我感到困惑的是，为什么将卷积内核复制到本地内存提高的速度如此之小。第一个版本的开销很大。您能否将其修改为更简单，然后重试？类似于（int idx=get_local_id（0））的

for（int idx=get_local_id）；idx

。另外，您所说的

组大小[…]32乘32是什么意思？您在这里只使用了一个维度。