OpenCL 簡介OpenCL 是由 Khronos Group 針對異質性計算裝置（heterogeneous device）進行平行化運算所設計的標準 API 以及程式語言。所謂的「異質性計算裝置」，是指在同一個電腦系統中，有兩種以上架構差異很大的計算裝置，例如一般的 CPU 以及顯示晶片，或是像 CELL 的 PPE 以及 SPE。目前，最為常見的就是所謂的 GPGPU 應用，也就是利用一般的顯示晶片（即 GPU）進行 3D 繪圖以外的計算工作。
過去 GPGPU 的應用，有各種不同的使用方式。最早的 GPGPU，多半是直接透過 3D 繪圖的 API 進行，例如 OpenGL 或 D3D 的 HLSL（High Level Shading Language）。但是，這樣做有很多缺點，主要是即使想要進行的運算和 3D 繪圖無關，仍需要處理很多 3D 繪圖方面的動作（例如建立 texture，安排 render-to-texture 動作等等）。這讓 GPGPU 變得十分複雜。後來開始有些嘗試把這些 3D 繪圖部份隱藏起來的想法，例如由 Stanford 大學設計的 BrookGPU，可以透過不同的 backend 將 Brook 程式轉換成由 CPU、Direct3D、或 OpenGL 來執行。另外，也有各家顯示卡廠商自行開發的系統，包括 ATI 針對其產品設計的 Close to Metal（以及後來的 AMD Stream），以及 NVIDIA 的 CUDA。Microsoft 也在 DirectX 11 中加入了特別為 GPGPU 設計的 DirectCompute。
由於各家廠商的 GPGPU 方案都是互不相容的（例如 AMD Stream 的程式無法在 NVIDIA 的顯示晶片上執行，而 CUDA 的程式也不能在 AMD 的顯示晶片上執行），這對 GPGPU 的發展是不利的，因為程式開發者必須為不同廠商的顯示晶片分別撰寫程式，或是選擇只支援某個顯示晶片廠商。由於顯示晶片的發展愈來愈彈性化，GPGPU 的應用範圍也增加，因此 Apple 決定提出一個統一的 GPGPU 方案。這個方案得到包括 AMD、IBM、Intel、NVIDIA 等相關廠商的支持，並很快就交由 Khronos Group 進行標準化。整個計畫只花了五個月的時間，並在 2008 年十二月時正式公開。第一個正式支援 OpenCL 的作業系統是 Apple 的 MacOS X 10.6 "Snow Leopard"。AMD 和 NVIDIA 也隨後推出了在 Windows 及 Linux 上的 OpenCL 實作。IBM 也推出了支援 CELL 的 OpenCL 實作。
OpenCL 的主要設計目的，是要提供一個容易使用、且適用於各種不同裝置的平行化計算平台。因此，它提供了兩種平行化的模式，包括 task parallel 以及 data parallel。目前 GPGPU 的應用，主要是以 data parallel 為主，這裡也是以這個部份為主要重點。所謂的 data parallel，指的是有大量的資料，都進行同樣的處理。這種形式的平行化，在很多工作上都可以見到。例如，影像處理的程式，經常要對一個影像的每個 pixel 進行同樣的動作（例如 Gaussian blur）。因此，這類工作很適合 data parallel 的模式。
OpenCL 的架構OpenCL 包括一組 API 和一個程式語言。基本上，程式透過 OpenCL API 取得 OpenCL 裝置（例如顯示晶片）的相關資料，並將要在裝置上執行的程式（使用 OpenCL 程式語言撰寫）編繹成適當的格式，在裝置上執行。OpenCL API 也提供許多裝置控制方面的動作，例如在 OpenCL 裝置上取得一塊記憶體、把資料從主記憶體複製到 OpenCL 裝置上（或從 OpenCL 裝置上複製到主記憶體中）、取得裝置動作的資訊（例如上一個程式執行所花費的時間）等等。
例如，我們先考慮一個簡單的工作：把一群數字相加。在一般的 C 程式中，可能是如下：
float a[DATA_SIZE];
float b[DATA_SIZE];
float result[DATA_SIZE];
// ...
for(int i = 0; i < DATA_SIZE; i++) {
result[i] = a[i] + b[i];
}
在 OpenCL 中，則大致的流程是： - 把 OpenCL 裝置初始化。
- 在 OpenCL 裝置上配置三塊記憶體，以存放 a、b、c 三個陣列的資料。
- 把 a 陣列和 b 陣列的內容，複製到 OpenCL 裝置上。
- 編譯要執行的 OpenCL 程式（稱為 kernel）。
- 執行編譯好的 kernel。
- 把計算結果從 OpenCL 裝置上，複製到 result 陣列中。
透過 data parallel 的模式，這裡的 OpenCL 程式非常簡單，如下所示：
__kernel void adder(__global const float* a, __global const float* b, __global float* result)
{
int idx = get_global_id(0);
result[idx] = a[idx] + b[idx];
}
在一般的版本中，是透過一個迴圈，執行 DATA_SIZE 次數的加法動作。而在 OpenCL 中，則是建立 DATA_SIZE 個 work item，每個 work item 都執行上面所示的 kernel。可以看到，OpenCL 程式語言和一般的 C 語言非常類似。 __kernel 表示這個函式是在 OpenCL 裝置上執行的。 __global 則表示這個指標是在 global memory 中（即 OpenCL 裝置上的主要記憶體）。而 get_global_id(0) 會傳回 work item 的編號，例如，如果有 1024 個 work item，則編號會分別是 0 ~ 1023（實際上編號可以是二維或三維，但在這裡先只考慮一維的情形）。
要如何讓上面這個簡單的 OpenCL kernel 實際在 OpenCL 裝置上執行呢？這就需要透過 OpenCL API 的幫助了。以下會一步一步說明使用 OpenCL API 的方法。
OpenCL 環境設定在使用 OpenCL API 之前，不免要進行一些環境的設定。相關的動作可以參考下列的文章：
開始撰寫 OpenCL 程式在使用 OpenCL API 之前，和絕大部份所有其它的 API 一樣，都需要 include 相關的 header 檔案。由於在 MacOS X 10.6 下 OpenCL 的 header 檔案命名方式和在其它作業系統下不同，因此，通常要使用一個 #ifdef 來進行區分。如下所示：
#ifdef __APPLE__
#include <OpenCL/opencl.h>
#else
#include <CL/cl.h>
#endif
這樣就可以在 MacOS X 10.6 下，以及其它的作業系統下，都可以 include 正確的 OpenCL header 檔。
接著，要先取得系統上所有的 OpenCL platform。在 MacOS X 10.6 下，目前只有一個由 Apple 提供的 OpenCL platform，但是在其它系統上，可能會有不同廠商提供的多個不同的 OpenCL platform，因此需要先取得 platform 的數目：
cl_int err;
cl_uint num;
err = clGetPlatformIDs(0, 0, &num);
if(err != CL_SUCCESS) {
std::cerr << "Unable to get platforms\n";
return 0;
}
大部份的 OpenCL API 會傳回錯誤值。如果傳回值是 CL_SUCCESS 則表示執行成功，否則會傳回某個錯誤值，表示失敗的原因。
接著，再取得 platform 的 ID，這在建立 OpenCL context 時會用到：
std::vector<cl_platform_id> platforms(num);
err = clGetPlatformIDs(num, &platforms[0], &num);
if(err != CL_SUCCESS) {
std::cerr << "Unable to get platform ID\n";
return 0;
}
在 OpenCL 中，類似這樣的模式很常出現：先呼叫第一次以取得數目，以便配置足夠的記憶體量。接著，再呼叫第二次，取得實際的資料。
接下來，要建立一個 OpenCL context。如下：
cl_context_properties prop[] = { CL_CONTEXT_PLATFORM, reinterpret_cast<cl_context_properties>(platforms[0]), 0 };
cl_context context = clCreateContextFromType(prop, CL_DEVICE_TYPE_DEFAULT, NULL, NULL, NULL);
if(context == 0) {
std::cerr << "Can't create OpenCL context\n";
return 0;
}
clReleaseContext(context);
return 0;
在上面的程式中， clCreateContextFromType 是一個 OpenCL 的 API，它可以從指定的裝置類別中，建立一個 OpenCL context。第一個參數是指定 context 的 property。在 OpenCL 中，是透過一個 property 的陣列，以「property 種類」及「property 內容」成對出現，並以 0 做為結束。例如，以上面的例子來說，要指定的 property 種類是 CL_CONTEXT_PLATFORM，即要使用的 platform ID，而 property 內容則是由之前取得的 platform ID 中的第一個（即 platforms[0]）。由於 property 的內容可能是不同的資料型態，因此需要使用 reinterpret_cast 來進行強制轉型。 第二個參數可以指定要使用的裝置類別。目前可以使用的類別包括： - CL_DEVICE_TYPE_CPU：使用 CPU 裝置
- CL_DEVICE_TYPE_GPU：使用顯示晶片裝置
- CL_DEVICE_TYPE_ACCELERATOR：特定的 OpenCL 加速裝置，例如 CELL
- CL_DEVICE_TYPE_DEFAULT：系統預設的 OpenCL 裝置
- CL_DEVICE_TYPE_ALL：所有系統中的 OpenCL 裝置
這裡使用的是 CL_DEVICE_TYPE_DEFAULT，也就是指定使用預設的裝置。另外，在這裡，直接使用了之前取得的 OpenCL platform ID 中的第一個 ID（實際的程式中，可能會需要讓使用者可以指定要使用哪一個 platform）。
如果建立 OpenCL context 失敗，會傳回 0。因此，要進行檢查，並顯示錯誤訊息。如果建立成功的話，在使用完後，要記得將 context 釋放。這可以透過呼叫 clReleaseContext 來達成。 這個程式基本上已經可以編譯執行了，但是當然它並沒有真的做什麼事情。
一個 OpenCL context 中可以包括一個或多個裝置，所以接下來的工作是要取得裝置的列表。要取得任何和 OpenCL context 相關的資料，可以使用 clGetContextInfo 函式。以下是取得裝置列表的方式：
size_t cb;
clGetContextInfo(context, CL_CONTEXT_DEVICES, 0, NULL, &cb);
std::vector<cl_device_id> devices(cb / sizeof(cl_device_id));
clGetContextInfo(context, CL_CONTEXT_DEVICES, cb, &devices[0], 0);
CL_CONTEXT_DEVICES 表示要取得裝置的列表。和前面取得 platform ID 的情形相同， clGetContextInfo 被呼叫了兩次：第一次是要取得需要存放裝置列表所需的記憶體空間大小（也就是傳入 &cb），然後第二次呼叫才真正取得所有裝置的列表。
接下來，可能會想要確定倒底找到的 OpenCL 裝置是什麼。所以，可以透過 OpenCL API 取得裝置的名稱，並將它印出來。取得和裝置相關的資料，是使用 clGetDeviceInfo 函式，和前面的 clGetContextInfo 函式相當類似。以下是取得裝置名稱的方式：
clGetDeviceInfo(devices[0], CL_DEVICE_NAME, 0, NULL, &cb);
std::string devname;
devname.resize(cb); clGetDeviceInfo(devices[0], CL_DEVICE_NAME, cb, &devname[0], 0);
std::cout << "Device: " << devname.c_str() << "\n";
到目前為止，完整的程式應該如下所示：
// OpenCL tutorial 1
#include <iostream>
#include <string>
#include <vector>
#ifdef __APPLE__
#include <OpenCL/opencl.h>
#else
#include <CL/cl.h>
#endif
int main()
{
cl_int err;
cl_uint num;
err = clGetPlatformIDs(0, 0, &num);
if(err != CL_SUCCESS) {
std::cerr << "Unable to get platforms\n";
return 0;
}
std::vector<cl_platform_id> platforms(num);
err = clGetPlatformIDs(num, &platforms[0], &num);
if(err != CL_SUCCESS) {
std::cerr << "Unable to get platform ID\n";
return 0;
}
cl_context_properties prop[] = { CL_CONTEXT_PLATFORM, reinterpret_cast<cl_context_properties>(platforms[0]), 0 };
cl_context context = clCreateContextFromType(prop, CL_DEVICE_TYPE_DEFAULT, NULL, NULL, NULL);
std::cerr << "Can't create OpenCL context\n";
clGetContextInfo(context, CL_CONTEXT_DEVICES, 0, NULL, &cb);
std::vector<cl_device_id> devices(cb / sizeof(cl_device_id));
clGetContextInfo(context, CL_CONTEXT_DEVICES, cb, &devices[0], 0);
clGetDeviceInfo(devices[0], CL_DEVICE_NAME, 0, NULL, &cb);
clGetDeviceInfo(devices[0], CL_DEVICE_NAME, cb, &devname[0], 0);
std::cout << "Device: " << devname.c_str() << "\n";
clReleaseContext(context);
}
執行這個程式，如果建立 OpenCL context 成功的話，應該會顯示出找到的 OpenCL 裝置的名稱，例如
Device: GeForce GTX 285
建立 Command Queue大部份 OpenCL 的操作，都要透過 command queue。Command queue 可以接收對一個 OpenCL 裝置的各種操作，並按照順序執行（OpenCL 也容許把一個 command queue 指定成不照順序執行，即 out-of-order execution，但是這裡先不討論這個使用方式）。所以，下一步是建立一個 command queue：
cl_command_queue queue = clCreateCommandQueue(context, devices[0], 0, 0);if(queue == 0) {
std::cerr << "Can't create command queue\n";
clReleaseContext(context);
return 0;
}
和 context 一樣，在程式結束前，要把 command queue 釋放，即：
clReleaseCommandQueue(queue);
上面的程式中，是把裝置列表中的第一個裝置（即 devices[0]）建立 command queue。如果想要同時使用多個 OpenCL 裝置，則每個裝置都要有自己的 command queue。
產生資料由於這個程式的目的是要把一大堆數字進行相加，所以需要產生一些「測試資料」：
const int DATA_SIZE = 1048576;
std::vector<float> a(DATA_SIZE), b(DATA_SIZE), res(DATA_SIZE);
for(int i = 0; i < DATA_SIZE; i++) {
a[i] = std::rand();
b[i] = std::rand();
}
配置記憶體並複製資料要使用 OpenCL 裝置進行運算時，通常會需要在 OpenCL 裝置上配置記憶體，並把資料從主記憶體中複製到裝置上。有些 OpenCL 裝置可以直接從主記憶體存取資料，但是速度通常會比較慢，因為 OpenCL 裝置（例如顯示卡）通常會有專用的高速記憶體。以下的程式配置三塊記憶體：
cl_mem cl_a = clCreateBuffer(context, CL_MEM_READ_ONLY | CL_MEM_COPY_HOST_PTR, sizeof(cl_float) * DATA_SIZE, &a[0], NULL);
cl_mem cl_b = clCreateBuffer(context, CL_MEM_READ_ONLY | CL_MEM_COPY_HOST_PTR, sizeof(cl_float) * DATA_SIZE, &b[0], NULL);
cl_mem cl_res = clCreateBuffer(context, CL_MEM_WRITE_ONLY, sizeof(cl_float) * DATA_SIZE, NULL, NULL);
if(cl_a == 0 || cl_b == 0 || cl_res == 0) {
std::cerr << "Can't create OpenCL buffer\n";
clReleaseMemObject(cl_a);
clReleaseMemObject(cl_b);
clReleaseMemObject(cl_res);
clReleaseCommandQueue(queue);
clReleaseContext(context);
return 0;
}
clCreateBuffer 函式可以用來配置記憶體。它的第二個參數可以指定記憶體的使用方式，包括： - CL_MEM_READ_ONLY：表示 OpenCL kernel 只會對這塊記憶體進行讀取的動作
- CL_MEM_WRITE_ONLY：表示 OpenCL kernel 只會對這塊記憶體進行寫入的動作
- CL_MEM_READ_WRITE：表示 OpenCL kernel 會對這塊記憶體進行讀取和寫入的動作
- CL_MEM_USE_HOST_PTR：表示希望 OpenCL 裝置直接使用指定的主記憶體位址。要注意的是，如果 OpenCL 裝置無法直接存取主記憶體，它可能會將指定的主記憶體位址的資料複製到 OpenCL 裝置上。
- CL_MEM_ALLOC_HOST_PTR：表示希望配置的記憶體是在主記憶體中，而不是在 OpenCL 裝置上。不能和 CL_MEM_USE_HOST_PTR 同時使用。
- CL_MEM_COPY_HOST_PTR：將指定的主記憶體位址的資料，複製到配置好的記憶體中。不能和 CL_MEM_USE_HOST_PTR 同時使用。
第三個參數是指定要配置的記憶體大小，以 bytes 為單位。在上面的程式中，指定的大小是 sizeof(cl_float) * DATA_SIZE。 第四個參數是指定主記憶體的位置。因為對 cl_a 和 cl_b 來說，在第二個參數中，指定了 CL_MEM_COPY_HOST_PTR，因此要指定想要複製的資料的位址。cl_res 則不需要指定。 第五個參數是指定錯誤碼的傳回位址。在這裡並沒有使用到。
如果 clCreateBuffer 因為某些原因無法配置記憶體（例如 OpenCL 裝置上的記憶體不夠），則會傳回 0。要釋放配置的記憶體，可以使用 clReleaseMemObject 函式。
編譯 OpenCL kernel 程式現在執行 OpenCL kernel 的準備工作已經大致完成了。所以，現在剩下的工作，就是把 OpenCL kernel 程式編釋並執行。首先，先把前面提過的 OpenCL kernel 程式，存放在一個文字檔中，命名為 shader.cl： __kernel void adder(__global const float* a, __global const float* b, __global float* result)
{
int idx = get_global_id(0);
result[idx] = a[idx] + b[idx];
}
要編譯這個 kernel 程式，首先要把檔案內容讀進來，再使用 clCreateProgramWithSource 這個函式，然後再使用 clBuildProgram 編譯。如下所示：
cl_program load_program(cl_context context, const char* filename)
{
std::ifstream in(filename, std::ios_base::binary);
if(!in.good()) {
return 0;
}
// get file length
in.seekg(0, std::ios_base::end);
size_t length = in.tellg();
in.seekg(0, std::ios_base::beg);
// read program source
std::vector<char> data(length + 1);
in.read(&data[0], length);
data[length] = 0;
// create and build program
const char* source = &data[0];
cl_program program = clCreateProgramWithSource(context, 1, &source, 0, 0);
if(program == 0) {
return 0;
}
if(clBuildProgram(program, 0, 0, 0, 0, 0) != CL_SUCCESS) {
return 0;
}
return program;
}
上面的程式，就是直接將檔案讀到記憶體中，再呼叫 clCreateProgramWithSource 建立一個 program object。建立成功後，再呼叫 clBuildProgram 函式編譯程式。 clBuildProgram 函式可以指定很多參數，不過在這裡暫時沒有使用到。 有了這個函式，在 main 函式中，直接呼叫：
cl_program program = load_program(context, "shader.cl");
if(program == 0) {
std::cerr << "Can't load or build program\n";
clReleaseMemObject(cl_a);
clReleaseMemObject(cl_b);
clReleaseMemObject(cl_res);
clReleaseCommandQueue(queue);
clReleaseContext(context);
return 0;
}
同樣的，在程式結束前，要記得將 program object 釋放：
clReleaseProgram(program);
一個 OpenCL kernel 程式裡面可以有很多個函式。因此，還要取得程式中函式的進入點：
cl_kernel adder = clCreateKernel(program, "adder", 0);
if(adder == 0) {
std::cerr << "Can't load kernel\n";
clReleaseProgram(program);
clReleaseMemObject(cl_a);
clReleaseMemObject(cl_b);
clReleaseMemObject(cl_res);
clReleaseCommandQueue(queue);
clReleaseContext(context);
return 0;
}
和 program object 一樣，取得的 kernel object 也需要在程式結束前釋放：
clReleaseKernel(adder);
執行 OpenCL kernel弄了這麼多，總算可以執行 OpenCL kernel 程式了。要執行 kernel 程式，只需要先設定好函式的參數。adder 函式有三個參數要設定：
clSetKernelArg(adder, 0, sizeof(cl_mem), &cl_a);
clSetKernelArg(adder, 1, sizeof(cl_mem), &cl_b);
clSetKernelArg(adder, 2, sizeof(cl_mem), &cl_res);
設定參數是使用 clSetKernelArg 函式。它的參數很簡單：第一個參數是要設定的 kernel object，第二個是參數的編號（從 0 開始），第三個參數是要設定的參數的大小，第四個參數則是實際上要設定的參數內部。以這裡的 adder 函式來說，三個參數都是指向 memory object 的指標。 設定好參數後，就可以開始執行了。如下：
size_t work_size = DATA_SIZE;
err = clEnqueueNDRangeKernel(queue, adder, 1, 0, &work_size, 0, 0, 0, 0);
clEnqueueNDRangeKernel 會把執行一個 kernel 的動作加到 command queue 裡面。第三個參數（1）是指定 work item 數目的維度，在這裡就是一維。第五個參數是指定 work item 的總數目，也就是 DATA_SIZE。後面的參數現在暫時先不用管。如果成功加入的話，會傳回 CL_SUCCESS。否則會傳回錯誤值。 在執行 kernel 被加到 command queue 之後，就可能會開始執行（如果 command queue 現在沒有別的工作的話）。但是 clEnqueueNDRangeKernel 是非同步的，也就是說，它並不會等待 OpenCL 裝置執行完畢才傳回。這樣可以讓 CPU 在 OpenCL 裝置在進行運算的同時，進行其它的動作。 由於執行的結果是在 OpenCL 裝置的記憶體中，所以要取得結果，需要把它的內容複製到 CPU 能存取的主記憶體中。這可以透過下面的程式完成：
if(err == CL_SUCCESS) {
err = clEnqueueReadBuffer(queue, cl_res, CL_TRUE, 0, sizeof(float) * DATA_SIZE, &res[0], 0, 0, 0);
}
clEnqueueReadBuffer 函式會把「將記憶體資料從 OpenCL 裝置複製到主記憶體」的動作加到 command queue 中。第三個參數表示是否要等待複製的動作完成才傳回，CL_TRUE 表示要等待。第五個參數是要複製的資料大小，第六個參數則是目標的位址。 由於這裡指定要等待複製動作完成，所以當函式傳回時，資料已經完全複製完成了。最後是進行驗證，確定資料正確：
if(err == CL_SUCCESS) {
bool correct = true;
for(int i = 0; i < DATA_SIZE; i++) {
if(a[i] + b[i] != res[i]) {
correct = false;
break;
}
}
if(correct) {
std::cout << "Data is correct\n";
}
else {
std::cout << "Data is incorrect\n";
}
}
else {
std::cerr << "Can't run kernel or read back data\n";
}
到這裡，整個程式就算是完成了。編譯後執行，如果順利的話，應該會印出
Data is correct
的訊息。
以下是整個程式的全貌：
// OpenCL tutorial 1
#include <iostream>
#include <fstream>
#include <string>
#include <vector>
#include <cstdlib>
#ifdef __APPLE__
#include <OpenCL/opencl.h>
#else
#include <CL/cl.h>
#endif
cl_program load_program(cl_context context, const char* filename)
{
std::ifstream in(filename, std::ios_base::binary);
in.seekg(0, std::ios_base::end);
size_t length = in.tellg();
in.seekg(0, std::ios_base::beg);
std::vector<char> data(length + 1);
in.read(&data[0], length);
// create and build program
const char* source = &data[0];
cl_program program = clCreateProgramWithSource(context, 1, &source, 0, 0);
if(clBuildProgram(program, 0, 0, 0, 0, 0) != CL_SUCCESS) {
}
int main()
{
cl_int err;
cl_uint num;
err = clGetPlatformIDs(0, 0, &num);
if(err != CL_SUCCESS) {
std::cerr << "Unable to get platforms\n";
return 0;
}
std::vector<cl_platform_id> platforms(num);
err = clGetPlatformIDs(num, &platforms[0], &num);
if(err != CL_SUCCESS) {
std::cerr << "Unable to get platform ID\n";
return 0;
}
cl_context_properties prop[] = { CL_CONTEXT_PLATFORM, reinterpret_cast<cl_context_properties>(platforms[0]), 0 };
cl_context context = clCreateContextFromType(prop, CL_DEVICE_TYPE_DEFAULT, NULL, NULL, NULL);
std::cerr << "Can't create OpenCL context\n";
clGetContextInfo(context, CL_CONTEXT_DEVICES, 0, NULL, &cb);
std::vector<cl_device_id> devices(cb / sizeof(cl_device_id));
clGetContextInfo(context, CL_CONTEXT_DEVICES, cb, &devices[0], 0);
clGetDeviceInfo(devices[0], CL_DEVICE_NAME, 0, NULL, &cb);
clGetDeviceInfo(devices[0], CL_DEVICE_NAME, cb, &devname[0], 0);
std::cout << "Device: " << devname.c_str() << "\n";
cl_command_queue queue = clCreateCommandQueue(context, devices[0], 0, 0);
std::cerr << "Can't create command queue\n";
clReleaseContext(context);
const int DATA_SIZE = 1048576;
std::vector<float> a(DATA_SIZE), b(DATA_SIZE), res(DATA_SIZE);
for(int i = 0; i < DATA_SIZE; i++) {
cl_mem cl_a = clCreateBuffer(context, CL_MEM_READ_ONLY | CL_MEM_COPY_HOST_PTR, sizeof(cl_float) * DATA_SIZE, &a[0], NULL);
cl_mem cl_b = clCreateBuffer(context, CL_MEM_READ_ONLY | CL_MEM_COPY_HOST_PTR, sizeof(cl_float) * DATA_SIZE, &b[0], NULL);
cl_mem cl_res = clCreateBuffer(context, CL_MEM_WRITE_ONLY, sizeof(cl_float) * DATA_SIZE, NULL, NULL);
if(cl_a == 0 || cl_b == 0 || cl_res == 0) {
std::cerr << "Can't create OpenCL buffer\n";
clReleaseMemObject(cl_a);
clReleaseMemObject(cl_b);
clReleaseMemObject(cl_res);
clReleaseCommandQueue(queue);
clReleaseContext(context);
cl_program program = load_program(context, "shader.cl");
std::cerr << "Can't load or build program\n";
clReleaseMemObject(cl_a);
clReleaseMemObject(cl_b);
clReleaseMemObject(cl_res);
clReleaseCommandQueue(queue);
clReleaseContext(context);
cl_kernel adder = clCreateKernel(program, "adder", 0);
std::cerr << "Can't load kernel\n";
clReleaseProgram(program);
clReleaseMemObject(cl_a);
clReleaseMemObject(cl_b);
clReleaseMemObject(cl_res);
clReleaseCommandQueue(queue);
clReleaseContext(context);
clSetKernelArg(adder, 0, sizeof(cl_mem), &cl_a);
clSetKernelArg(adder, 1, sizeof(cl_mem), &cl_b);
clSetKernelArg(adder, 2, sizeof(cl_mem), &cl_res);
size_t work_size = DATA_SIZE;
err = clEnqueueNDRangeKernel(queue, adder, 1, 0, &work_size, 0, 0, 0, 0);
err = clEnqueueReadBuffer(queue, cl_res, CL_TRUE, 0, sizeof(float) * DATA_SIZE, &res[0], 0, 0, 0);
for(int i = 0; i < DATA_SIZE; i++) {
if(a[i] + b[i] != res[i]) {
std::cout << "Data is correct\n";
std::cout << "Data is incorrect\n";
std::cerr << "Can't run kernel or read back data\n";
clReleaseProgram(program);
clReleaseMemObject(cl_a);
clReleaseMemObject(cl_b);
clReleaseMemObject(cl_res);
clReleaseCommandQueue(queue);
clReleaseContext(context);
}
在附件中可以下載包括 Xcode project 以及 Visual Studio 2008 project 檔的原始碼。
|
 Updating... Chen Ping-Che, Feb 3, 2010, 8:54 AM
|