OpenCL: CPU - /GPU-mehrere Geräte

Parallel ausgeführt werden Aufgaben auf mehreren Geräten erfordert dynamische Planung für guten Wirkungsgrad, weil Sie nie wissen, die genaue Leistung von jedem Gerät - es hängt von der aktuellen Belastung (nicht nur durch Ihr Programm, aber alle anderen auch), aktuelle Uhr (es kann sich ändern, deutlich auf den meisten CPUs und GPUs je nach den aktuellen Energiespar-Profil oder laden). Auch real-world performance hängt von Ihrer input-Daten.

Natürlich, Sie können schreiben, alle nötigen code selbst wie alle anderen Antworten vorschlagen, aber meiner Meinung nach ist es Verschwendung von Zeit und es ist viel bessere Idee zur Verwendung der vorhandenen Lösung. Ich empfehle die Verwendung StarPU. Ich habe verwendet, StarPU in meinem OpenCL-Projekt, und es funktionierte ziemlich gut. StarPU kommt mit Beispielen auf, wie code zu schreiben in der Lage mit mehreren GPUs und CPUs effizient.

StarPU:

Traditionellen Prozessoren erreicht haben, architektonische Grenzen, die heterogene multicore-designs und hardware-Spezialisierung (z.B. Coprozessoren, Beschleuniger, ...) ansprechen möchten. Allerdings, für die Nutzung dieser Maschinen führt zahlreiche herausfordernde Fragen auf allen Ebenen, angefangen von der Programmierung über die Modelle und Compiler, um das design von skalierbaren hardware-Lösungen. Das design von effizienten runtime-Systeme für diese Architekturen ist ein Kritischer Punkt. StarPU in der Regel macht es viel einfacher für high-performance-Bibliotheken oder compiler-Umgebungen zu nutzen heterogenen multicore-Maschinen, möglicherweise ausgestattet mit GPGPU-oder Cell-Prozessoren: anstatt Umgang mit low-level-Probleme, Programmierer konzentrieren sich auf die Algorithmische betrifft.

Dort ist auch ein weiteres Projekt, SkePU, aber ich wollte nicht versuchen, es selbst:

SkePU:

SkePU ist wie ein Skelett Programmierumgebung für multicore-CPUs und multi-GPU-Systeme. Es ist eine C++ template Bibliothek mit sechs Daten-parallel-und eine Aufgabe-parallele Skelette, zwei container-Typen und Unterstützung für die Ausführung auf multi-GPU-Systeme sowohl mit CUDA und OpenCL. Vor kurzem, Unterstützung für die hybrid-Ausführung, performance-aware dynamic scheduling und load-balancing entwickelt, in SkePU durch die Implementierung eines Backends für die StarPU-runtime-system.

Wenn Sie bei Google nach "dynamische scheduling-gpu-cpu-opencl" finden Sie noch weitere möglicherweise nützliche Kostenlose oder kommerzielle Projekte und Dokumentation.

Mit clGetPlatforms finden Sie heraus, ob Sie mehr als eine Plattform oder nicht. Wenn Sie eine nVidia-GPU board und eine AMD CPU finden Sie auf Plattformen. Eine Plattform für die AMD-SDK und eine für die nVidia-CUDA-OpenCL-Implementierung. Mit clGetDevices finden Sie für jede Plattform, die die Geräte zur Verfügung. Es könnte ein pro-Plattform wie 1xGPU und 1xCPU.

Für jedes Gerät einen Kontext schaffen, mit clCreateContext und dann können Sie laufen beide parallel.