最终减少的策略

我正在尝试实现一个 OpenCL 版本来减少浮点数组。

为了实现这一目标，我采用了在网上找到的以下代码片段：

__kernel void sumGPU ( __global const double *input, 
                       __global double *partialSums,
               __local double *localSums)
 {
  uint local_id = get_local_id(0);
  uint group_size = get_local_size(0);

  // Copy from global memory to local memory
  localSums[local_id] = input[get_global_id(0)];

  // Loop for computing localSums
  for (uint stride = group_size/2; stride>0; stride /=2)
     {
      // Waiting for each 2x2 addition into given workgroup
      barrier(CLK_LOCAL_MEM_FENCE);

      // Divide WorkGroup into 2 parts and add elements 2 by 2
      // between local_id and local_id + stride
      if (local_id < stride)
        localSums[local_id] += localSums[local_id + stride];
     }

  // Write result into partialSums[nWorkGroups]
  if (local_id == 0)
    partialSums[get_group_id(0)] = localSums[0];
 }                  

该内核代码运行良好，但我想通过添加每个工作组的所有部分总和来计算最终总和。 目前，我通过 CPU 使用简单的循环和迭代来完成最终求和的这一步nWorkGroups.

我还看到了另一个带有原子函数的解决方案，但它似乎是为 int 实现的，而不是为 float 实现的。我认为只有CUDA提供了float的原子函数。

我还看到我可以使用另一个内核代码来执行此求和操作，但我想避免使用此解决方案以保持简单的可读源。也许没有这个解决方案我就不行......

我必须告诉你，我使用 OpenCL 1.2（由clinfo）在 Radeon HD 7970 Tahiti 3GB 上（我认为我的卡不支持 OpenCL 2.0）。

更一般地说，我想获得有关使用我的显卡型号和 OpenCL 1.2 执行最后一次求和的最简单方法的建议。

如果该浮点数的数量级小于exa规模，然后：

代替

if (local_id == 0)
  partialSums[get_group_id(0)] = localSums[0];

你可以使用

if (local_id == 0)
{
    if(strategy==ATOMIC)
    {
        long integer_part=getIntegerPart(localSums[0]);
        atom_add (&totalSumIntegerPart[0] ,integer_part);
        long float_part=1000000*getFloatPart(localSums[0]);
         // 1000000 for saving meaningful 7 digits as integer
        atom_add (&totalSumFloatPart[0] ,float_part);
    }
}

这将溢出浮点部分，因此当您在另一个内核中将其除以 1000000 时，它可能具有超过 1000000 的值，因此您可以获得其整数部分并将其添加到实数部分：

   float value=0;
   if(strategy==ATOMIC)
   {
       float float_part=getFloatPart_(totalSumFloatPart[0]);
       float integer_part=getIntegerPart_(totalSumFloatPart[0])
       + totalSumIntegerPart[0];
       value=integer_part+float_part;
   }

仅仅一些原子操作不应该在整个内核时间上有效。

其中一些get___part可以使用 Floor 和类似的函数轻松编写。有些需要除以1M。