OpenCL 内核函数中的问题

Question

我是 Open-cl 的新手，我正在尝试为以下矩阵运算编写内核代码：

A is a 2X2 matrix:
A = [1  2] ----> row1
    [3  4] ----->row2

I need to compute: 
1) s1 = transpose(row1) X row1
2) s1 = transpose(row2) X row2
3) Sum = s1+s2

我为行级编写了内核代码（即我可以做 transpose(row1) X row1 ） - 这仅用于第一行

如何使用并行性计算每一行的值并在核函数中找到最终总和？

private static String programSource1 =
            "__kernel"+
            " void matrixMul(__global float* A, __global float* C,  int rowLength)"+
            "{"+
                "int row = get_global_id(1);"+
                "int col = get_global_id(0);"+              
                    "C[row*rowLength+col] = A[col] * A[row];"+

            "}";

Answer 1

#define MAX_ROW_LENGTH 2 // or more 
__kernel void matrixMul(__global float* A, __global float* C,  
                                                 int rowLength)
{
     __local float buffer[MAX_ROW_LENGTH  * MAX_ROW_LENGTH];
     __local float s1[MAX_ROW_LENGTH * MAX_ROW_LENGTH];

    int col = get_global_id(0);
    int row = get_global_id(1);
    int rows = get_global_size(1);

    // read the matrix from global to local memory
    buffer[row * rowLength + col] = A[row * rowLength + col]; 
    s1[row * rowLength + col] = 0.0f;

    barrier(CLK_LOCAL_MEM_FENCE);

    for (int i = 0; i < rows; ++i)
    {
        s1[row * rowLength + col] += 
                buffer[i * rowLength + col] * buffer[i * rowLength + row];
    }
    C[row * rowLength + col] = s1[row*rowLength+col];
}

这里有一些内核代码可以满足您对小型矩阵的需求。内核使用本地内存来减少全局内存访问。对于这样的小问题（2x2 矩阵），这需要完成任何事情，但是如果您正在计算更大的矩阵，这可以稍微加快速度。然而，这是一个简短的例子，并没有优化。它有一些限制：

• 此代码仅支持本地工作组大小等于全局 工作组大小（无块）
• 如果矩阵变大，共享内存将限制 GPU 的利用率，并且
• 如果您的矩阵变得非常大，它们的共享内存将不足

如果您不想删除本地内存，请将 for 循环中的缓冲区调用替换为 A 并直接写入 C 而不是 s1。