1、OpenCL架构

OpenCL可以实现混合设备的并行计算，这些设备包括CPU，GPU，以及其它处理器，比如Cell处理器，DSP等。使用OpenCL编程，可以实现可移植的并行加速代码。[但由于各个OpenCL device不同的硬件性能，可能对于程序的优化还要考虑具体的硬件特性]。

通常OpenCL架构包括四个部分：

1.平台模型(Platform Model)

2.执行模型(Execution Model)

3.内存模型(Memory Model)

4.编程模型(Programming Model)

2、OpenCL平台模型

不同厂商的OpenCL实施定义了不同的OpenCL平台，通过OpenCL平台，主机能够和OpenCL设备之间进行交互操作。现在主要的OpenCL平台有AMD、Nvida，Intel等。OpenCL使用了一种Installable Client Driver模型，这样不同厂商的平台就能够在系统中共存。在我的计算机上就安装有AMD和Intel两个OpenCL Platform[现在的OpenCL driver模型不允许不同厂商的GPU同时运行]。

OpenCL平台通常包括一个主机(Host)和多个OpenCL设备（device），每个OpenCL设备包括一个或多个CU(compute units)，每个CU包括又一个或多个PE（process element）。 每个PE都有自己的程序计数器(PC)。主机就是OpenCL运行库宿主设备，在AMD和Nvida的OpenCL平台中，主机一般都指x86 CPU。

对AMD平台来说，所有的CPU是一个设备，CPU的每一个core就是一个CU，而每个GPU都是独立的设备。

3、OpenCL编程的一般步骤

下面我们通过一个实例来了解OpenCL编程的步骤，假设我们用的是AMD OpenCL平台（因为本人的GPU是HD5730），安装了AMD Stream SDK2.6,并在VS2008中设置好了include，lib目录等。

首先我们建立一个控制台程序，最初的代码如下：

#include "stdafx.h"
  2: #include <CL/cl.h>
  3: #include <stdio.h>
  4: #include <stdlib.h>
  5: 
  6: #pragma comment (lib,"OpenCL.lib")
  7: 
  8: int main(int argc, char* argv[])
  9: {
  10: return 0;
  11: }

第一步，我们要选择一个OpenCL平台，所用的函数就是

通常，这个函数要调用2次，第一次得到系统中可使用的平台数目，然后为（Platform）平台对象分配空间，第二次调用就是查询所有的平台，选择自己需要的OpenCL平台。代码比较长，具体可以看下AMD Stream SDK 2.6中的TemplateC例子，里面描述如何构建一个robust的最小OpenCL程序。为了简化代码，使程序看起来不那么繁琐，我直接调用该函数，选取系统中的第一个OpenCL平台，我的系统中安装AMD和Intel两家的平台，第一个平台是AMD的。另外，我也没有增加错误检测之类的代码，但是增加了一个status的变量，通常如果函数执行正确，返回的值是0。

#include "stdafx.h"
  2: #include <CL/cl.h>
  3: #include <stdio.h>
  4: #include <stdlib.h>
  5: 
  6: #pragma comment (lib,"OpenCL.lib")
  7: 
  8: int main(int argc, char* argv[])
  9: {
  10: cl_uint status;
  11: cl_platform_id platform;
  12: 
  13: status = clGetPlatformIDs( 1, &platform, NULL );
  14: 
  15: return 0;
  16: }

第二步是得到OpenCL设备，

这个函数通常也是调用2次，第一次查询设备数量，第二次检索得到我们想要的设备。为了简化代码，我们直接指定GPU设备。

#include "stdafx.h"
  2: #include <CL/cl.h>
  3: #include <stdio.h>
  4: #include <stdlib.h>
  5: 
  6: #pragma comment (lib,"OpenCL.lib")
  7: 
  8: int main(int argc, char* argv[])
  9: {
  10: cl_uint status;
  11: cl_platform_id platform;
  12: 
  13: status = clGetPlatformIDs( 1, &platform, NULL );
  14: 
  15: cl_device_id device;
  16: 
  17: clGetDeviceIDs( platform, CL_DEVICE_TYPE_GPU,
  18: 1,
  19: &device,
  20: NULL);
  21: 
  22: return 0;
  23: }

下面我们来看下OpenCL中Context的概念：

通常，Context是指管理OpenCL对象和资源的上下文环境。为了管理OpenCL程序，下面的一些对象都要和Context关联起来：

—设备（Devices）:执行Kernel程序对象。

—程序对象（Program objects）: kernel程序源代码

—Kernels:运行在OpenCL设备上的函数。

—内存对象（Memory objects）: device处理的数据对象。

—命令队列（Command queues）: 设备之间的交互机制。

注意：创建一个Context的时候，我们必须把一个或多个设备和它关联起来。对于其它的OpenCL资源，它们创建时候，也要和Context关联起来，一般创建这些资源的OpenCL函数的输入参数中，都会有context。

这个函数中指定了和context关联的一个或多个设备对象,properties参数指定了使用的平台，如果为NULL,厂商选择的缺省值被使用，这个函数也提供了一个回调机制给用户提供错误报告。

现在的代码如下：

#include "stdafx.h"
  2: #include <CL/cl.h>
  3: #include <stdio.h>
  4: #include <stdlib.h>
  5: 
  6: #pragma comment (lib,"OpenCL.lib")
  7: 
  8: int main(int argc, char* argv[])
  9: {
  10: cl_uint status;
  11: cl_platform_id platform;
  12: 
  13: status = clGetPlatformIDs( 1, &platform, NULL );
  14: 
  15: cl_device_id device;
  16: 
  17: clGetDeviceIDs( platform, CL_DEVICE_TYPE_GPU,
  18: 1,
  19: &device,
  20: NULL);
  21: cl_context context = clCreateContext( NULL,
  22: 1,
  23: &device,
  24:                
  25: 
  26: return 0;
  27: }

接下来，我们要看下命令队列。在OpenCL中，命令队列就是主机的请求，在设备上执行的一种机制。

在Kernel执行前，我们一般要进行一些内存拷贝的工作，比如把主机内存中的数据传输到设备内存中。

另外要注意的几点就是：对于不同的设备，它们都有自己的独立的命令队列；命令队列中的命令(kernel函数）可能是同步的，也可能是异步的，它们的执行顺序可以是有序的，也可以是乱序的。

命令队列在device和context之间建立了一个连接。

命令队列properties指定以下内容:

1.是否乱序执行（在AMD GPU中，好像现在还不支持乱序执行

2.是否启动profiling。Profiling通过事件机制来得到kernel执行时间等有用的信息，但它本身也会有一些开销。

如下图所示，命令队列把设备和context联系起来，尽管它们之间不是物理连接。

添加命令队列后的代码如下：

#include "stdafx.h"
  2: #include <CL/cl.h>
  3: #include <stdio.h>
  4: #include <stdlib.h>
  5: 
  6: #pragma comment (lib,"OpenCL.lib")
  7: 
  8: int main(int argc, char* argv[])
  9: {
  10: cl_uint status;
  11: cl_platform_id platform;
  12: 
  13: status = clGetPlatformIDs( 1, &platform, NULL );
  14: 
  15: cl_device_id device;
  16: 
  17: clGetDeviceIDs( platform, CL_DEVICE_TYPE_GPU,
  18: 1,
  19: &device,
  20: NULL);
  21: cl_context context = clCreateContext( NULL,
  22: 1,
  23: &device,
  24: NULL, NULL, NULL);
  25: 
  26: cl_command_queue queue = clCreateCommandQueue( context,
  27: device,
  28: CL_QUEUE_PROFILING_ENABLE, NULL );
  29: 
  30: return 0;
  31: }