Time PyOpenCL中的时间测量_Time_Opencl_Gpu_Fpga_Pyopencl

Time PyOpenCL中的时间测量

time opencl

Time PyOpenCL中的时间测量,time,opencl,gpu,fpga,pyopencl,Time,Opencl,Gpu,Fpga,Pyopencl,我正在FPGA和GPU中使用PyOpenCL运行内核。为了测量执行所需的时间，我使用： t1 = time() event = mykernel(queue, (c_width, c_height), (block_size, block_size), d_c_buf, d_a_buf, d_b_buf, a_width, b_width) event.wait() t2 = time() compute_time = t2-t1 compute_time_e = (event.profile

我正在FPGA和GPU中使用PyOpenCL运行内核。为了测量执行所需的时间，我使用：

t1 = time()
event = mykernel(queue, (c_width, c_height), (block_size, block_size), d_c_buf, d_a_buf, d_b_buf, a_width, b_width)
event.wait()
t2 = time()

compute_time = t2-t1
compute_time_e = (event.profile.end-event.profile.start)*1e-9

这从主机（计算时间）和设备（计算时间）的角度为我提供了执行时间。问题是这些值非常不同：

compute (host-timed) [s]: 0.0009386539459228516
compute (event-timed) [s]:  9.4528e-05

有人知道这种差异的原因吗？更重要的是，哪一个更准确

谢谢。

我觉得这两个数字都不错。如果我没有弄错的话，主机的时间大约是设备时间的10倍——这对于一个小内核来说并不奇怪，因为它包含了传输时间。主机时间测量通过PCB的通信，但设备时间仅测量芯片上的操作

我认为您的节目时间安排如下：

```
内核执行时间：0.1ms//event timed
```

传输时间：0.8ms/（主机定时-事件定时）

```
总时间：0.9ms//主机定时
```

如果您对这种情况感到好奇，请尝试在设备上运行需要更长时间的内核。随着固定传输时间占总时间的比例越来越小，您应该开始看到这些数字更加匹配

例如：

```
内核执行时间：900ms
```
```
传输时间：0.8ms
```
```
总时间：900.8ms
```

您可以从OpenCL上的站点学到很多东西。它指出，

event.profile

仅给出内核的纯硬件执行时间的提示，而忽略了数据传输时间（包括在第一次测量中）。因此，主机侧墙上的时钟时间可能会返回不同的结果。然而，也有人指出，如果将内核作为OpenCL设备瞄准CPU，则时间差应该会变小（甚至可以忽略不计）