作者：婉婷雅铃43 | 来源：互联网 | 2023-09-16 10:37
我是搞图形图像的，经常使用OpenCV，初学OpenCL的目标也是应用到OpenCV里面（一种开放机器视觉库）然而发现几个问题：1）我看了几本OpenCL的书（OpenCV实战、编程指南、异构
我是搞图形图像的，经常使用OpenCV，初学OpenCL的目标也是应用到OpenCV里面（一种开放机器视觉库）
然而发现几个问题：
1）我看了几本OpenCL的书（OpenCV实战、编程指南、异构计算（第2版）），感觉里面的程序都是玩具程序，基本不能作为任何实用项目，只能作为理论学习；
2）如果应用到OpenCV里面，但是OpenCV3.0已经集成了OpenCL模块，你只要一行命令开启OpenCL模式，所有函数自动重载OpenCL版本，这样看来，学OpenCL就我来说意义不大了；
3）另外，成熟的视觉算法，例如SURF边缘检测算法，OpenCV也有专门的OpenCL的.cl版本，我看了下就被震住了，几百行的代码，看都看不懂，就知道如果真的自己写.cl文件，自己还是差的太远……
不知各位前辈怎么看？
自己还有一种感觉是，不应用与项目，很难理解OpenCL的精华吧，比如，有本书能结合SIFT算法（一种经典的边缘检测算法）来介绍OpenCL，就容易理解了吧——但是可惜目前的书籍都是从架构写起，缺乏实用性，有一本2015年10月份出的OpenCL教程看起来结合实际，叫《FPGA异构计算——基于OpenCL的开发方法》，也可惜自己不用FPGA……
3 个解决方案
你说的有一定道理， 很多上层的库已经集成了对 OpenCL及GPU的支持, 如 OpenCV 的很多算法，clBlas 库 等. 但 OpenCV和clBlas分别只限定于其特定的领域 (CV和矩阵运算), 很多其它领域，并没有现成的可用的库，需要用户自己写 OpenCL代码， 如在 深度神经网络学习中，各种 Activation 函数。 另一方面， 从 OpenCL 生态系统的角度， 当然是希望 各个领域的 OpenCL 应用库越多越好，开发者越方便， 但即使这些库有了，从性能优化的角度，这些库的实现未必是最佳的，很多时候仍然需要了解 OpenCL 才能进行定制和优化。还有一方面， clBlas, OpenCV 中的 OpenCL 使用并没考虑多个 GPU, 而在很多性能相关的情况， 利用多个 GPU 进行水平性能 scale 是很必要的。
另外，OpenCL 的学习真的很容易， 在 Host 端，其代码就是一个 C/C++ 的 API, 在设备端，其代码就是 C/C++ 的一变种。 我总结
OpenCL 编程用如下结果关键概括:
1) C/C++. 语言的语法就是 C/C++, 在kernel上增加了一些向量数据类型和操作.
2) Parallelism by SIMD or SIMT. 即不同的 kernel work items 执行的是相同的指令流，但访问的是不同的数据.
3) Lock-step 执行。 即一个计算单元内若干个 work items 是按完全同步的方式执行的， 它们在同一时刻执行相同的指令(不同的数据)，这让 GPU 上线程的调度和CPU上不一样， 也让GPU单个ALU的逻辑更简单，所以能容纳更多的ALU, 实现更大的并行性。
4）硬件体系结构的支持。 如 GPU上可以用 Local Memory 实现以 group of work items 为逻辑单位的代码.
5) GPU是CPU的从属设备。 操作系统及应用的逻辑都是运行在 CPU 上， GPU最多是被 CPU上的应用控制流调用，以完成单个的算法或操作。
京公网安备 11010802041100号