Performance OpenCL极低的GFLOPS，无数据传输瓶颈

我正在尝试优化我在我的GPU（AMD HD6850）上运行的算法。我计算了内核中浮点操作的数量，并测量了它的执行时间。我发现它可以达到约20 SP GFLOPS，但是根据GPU规格，我应该达到约1500 GFLOPS

为了找到瓶颈，我创建了一个非常简单的内核：

kernel void test_gflops(const float d, global float* result)
{
    int gid = get_global_id(0);
    float cd;

    for (int i=0; i<100000; i++)
    {
        cd = d*i;
    }

    if (cd == -1.0f)
    {
        result[gid] = cd;
    }
}

内核无效测试\u gflops（常量浮点d，全局浮点*结果）
{
int gid=获取全局id（0）；
浮动光盘；
对于（int i=0；i，这里有几个技巧：

GPU根本不喜欢循环。请使用#pragma unroll来展开循环
你的GPU擅长向量运算。坚持它，这将允许你同时处理多个操作数
无论是否可能，使用矢量加载/存储
测量内存带宽——我几乎可以肯定，由于糟糕的访问模式，您的带宽是有限的
在我看来，内核应该是这样的：

typedef union floats{
    float16 vector;
    float array[16];
} floats;

kernel void test_gflops(const float d, global float* result)
{
    int gid = get_global_id(0);
    floats cd;
    cd.vector = vload16(gid, result);
    cd.vector *= d;

    #pragma unroll
    for (int i=0; i<16; i++)
    {
        if(cd.array[i] == -1.0f){
        result[gid] = cd;
    }
}

typedef联合浮动{
16载体；
浮点数组[16]；
}浮动；
内核无效测试（常量浮点d，全局浮点*结果）
{
int gid=获取全局id（0）；
浮动cd；
cd.vector=vload16（gid，结果）；
cd.vector*=d；
#布拉格展开
对于（int i=0；iMy的第一印象是，
i
从
int
到
float
的转换在您的GPU上可能很昂贵？