Pyopencl：to_device 和 Buffer 的区别答案

【问题标题】：Pyopencl: difference between to_device and BufferPyopencl：to_device 和 Buffer 的区别
【发布时间】：2012-11-03 23:44:27
【问题描述】：

让

import pyopencl as cl
import pyopencl.array as cl_array
import numpy
a = numpy.random.rand(50000).astype(numpy.float32)
mf = cl.mem_flags

有什么区别

a_gpu = cl.Buffer(self.ctx, mf.READ_ONLY | mf.COPY_HOST_PTR, hostbuf=a)

和

a_gpu = cl_array.to_device(self.ctx, self.queue, a)

和有什么区别

result =  numpy.empty_like(a)
cl.enqueue_copy(self.queue, result, result_gpu)

和

result = result_gpu.get()

【问题讨论】：

标签： python numpy opencl pyopencl

【解决方案1】：

缓冲区是 CL 的 malloc 版本，而 pyopencl.array.Array 是计算设备上 numpy 数组的类似工作。

因此，对于您问题第一部分的第二个版本，您可以编写 a_gpu + 2 来获得一个新数组，该数组中的每个数字都添加了 2，而在 Buffer 的情况下，仅 PyOpenCL看到一袋字节，无法执行任何此类操作。

你的问题的第二部分是相反的：如果你有一个 PyOpenCL 数组，.get() 将数据复制回来并将其转换为（基于主机的）numpy 数组。由于 numpy 数组是在 Python 中获取连续内存的更方便的方法之一，带有enqueue_copy 的第二个变体也以 numpy 数组结尾——但请注意，您可以将此数据复制到任意大小的数组中（只要它足够大）和任何类型——复制作为一个字节包执行，而.get() 确保您在主机上获得相同的大小和类型。

额外的事实：每个 PyOpenCL 数组下面当然有一个 Buffer。您可以从.data 属性中获取它。

【讨论】：

我刚刚意识到您是 PyOpenCL 的作者。非常感谢 PyOpenCL 和您的回答！

【解决方案2】：

要回答第一个问题，可以使用任何实现 buffer interface (reference) 的东西来调用 Buffer(hostbuf=...)。 pyopencl.array.to_device(...) 必须使用 ndarray (reference) 调用。 ndarray 实现了缓冲区接口并在任一位置工作。但是，预计只有 hostbuf=... 可以与 bytearray （它也实现了缓冲区接口）一起使用。我还没有证实这一点，但这似乎是文档所建议的。

关于第二个问题，我不确定当您在其上调用get() 时result_gpu 应该是什么类型（您的意思是Buffer.get_host_array()？）无论如何，enqueue_copy() 在@ 的组合之间起作用987654335@、Image 和host，可以有偏移量和区域，并且可以是异步的（使用is_blocking=False），我认为这些功能只能通过这种方式使用（而get() 将被阻塞并返回整个缓冲）。 (reference)

【讨论】：