OpenCL：なぜこれらの2つのケースでパフォーマンスが大きく異なるのですか？

Question

ここで私が取り組んでいるOpenCLカーネルの2つのコードがあります。彼らは大幅に異なるランタイムを表示します。

コードはかなり複雑なので、私はすぐに簡略化しました。

このバージョンでは、1秒の下で実行されます：

for (int ii=0; ii<someNumber;ii++) 
{ 
    for (int jj=0; ii<someNumber2;jj++) 
    { 
     value1 = value2 + value3; 
     value1 = value1 * someFunction(a,b,c); 
     double nothing = value1; 
    } 
} 

と、このバージョンを実行するために周りに38秒かかる：私が言うように

for (int ii=0; ii<someNumber;ii++) 
{ 
    for (int jj=0; ii<someNumber2;jj++) 
    { 
     value1 = value2 + value3; 
     value1 = value1 * someFunction(a,b,c); 
    } 
    double nothing = value1; 
} 

、コードがあります（これよりも多少複雑ですループ内では他にも多くのことが起こっています）、変数 "nothing"はブレースの直前から直後に移動します。

私はOpenCLにとって非常に新しく、何が起こっているのか、それを修正する方法ははるかに少ないです。言うまでもなく、遅いケースは実際に私の実装で必要なものです。私はアドレス空間（ここではすべての変数は__privateにあります）を使いこなそうとしました。

私は何らかの理由で、ブレースが閉じたときに、GPUが変数 "value1"をより遅いメモリにプッシュしていることが想像できます。これは可能性のある説明ですか？私に何ができる？

ありがとうございます！

更新：これも1秒未満で実行されます（ただし、どちらの行のコメントも付いていないので、極端に遅くなります）。これはループに他の変更を加えることなく、value1は以前と同じ場所で宣言されています。

for (int ii=0; ii<someNumber;ii++) 
{ 
    for (int jj=0; ii<someNumber2;jj++) 
    { 
//  value1 = value2 + value3; 
//  value1 = value1 * someFunction(a,b,c); 
    } 
    double nothing = value1; 
} 

UPDATE 2：示されるようにコードが実際value1の宣言と、このような別のループ内にネストされた：

double value1=0; 
for (int kk=0; kk<someNumber3;kk++) 
{ 
    for (int ii=0; ii<someNumber;ii++) 
    { 
     for (int jj=0; ii<someNumber2;jj++) 
     { 
      value1 = value2 + value3; 
      value1 = value1 * someFunction(a,b,c); 
     } 
     double nothing = value1; 
    } 
} 

value1が宣言される移動はまた、迅速な場合に私たちを取り戻します。

for (int kk=0; kk<someNumber3;kk++) 
{ 
    double value1=0; 
    for (int ii=0; ii<someNumber;ii++) 
    { 
     for (int jj=0; ii<someNumber2;jj++) 
     { 
      value1 = value2 + value3; 
      value1 = value1 * someFunction(a,b,c); 
     } 
     double nothing = value1; 
    } 
} 

OpenCLは非常にトリッキーなアートです！私はまだ何が起こっているのか本当に理解していないが、少なくとも私はそれを今修正する方法を知っている！

Answer 1

どのような実装を使用していますか？私は "double nothing = value1;"と期待します。任意の合理的なコンパイラによって、いずれの場合にもデッドコードとして排除される。

Answer 2

最初のケースは1つのループ（コンパイラの最適化あり）です しかし、2番目のループはネストされたループを持つループです。それが大きな問題です。

ループを開始する前にプライベート変数（somenumberとsomenumber2）として保存することをお勧めします。これは、グローバル変数とローカル変数のチェックがたくさんあります。このようにして、毎回プライベートデータをチェックします。 個人的な経験として、OpenCLループのチェックケースとして使用されるすべてのvarはプライベートでなければなりません。 これにより、グローバルメモリアクセスの最大80％を節約できます。 （ループが非常に短いか、シンプルである場合は特に）

例として、これは高速で動作するはずです：

int c_somenumber = someNumber; 
for (int ii=0; ii<c_someNumber;ii++) 
{ 
    int c_somenumber2 = someNumber2;  
    for (int jj=0; ii<c_someNumber2;jj++) 
    { 
     value1 = value2 + value3; 
     value1 = value1 * someFunction(a,b,c); 
    } 
    double nothing = value1; 
} 

EDIT： また、VALUE1は、プライベートメモリにキャッシュされるべきである（SHOULD）。（あなたが最後の編集で行ったように）