【并行计算-CUDA开发】Windows下opencl环境配置

首先声明我这篇主要是根据下面网站的介绍， 加以修改和详细描述，一步一步在我自己的电脑上实现的，

http://www.cmnsoft.com/wordpress/?tag=opencl&paged=2

首先要将显卡驱动更新到最新版，以支持opencl 。 要看显卡支不支持opencl，可以下一个 GPU_Caps_Viewer_Setup  软件看一看

首先要下载安装opencl库。我这里下载的是英特尔的。英伟达和AMD的也都差不多。
首先下载INTEL版的opencl驱动：

https://software.intel.com/en-us/articles/opencl-drivers

直接安装即可。

然后下载intel版本的opencl开发工具包

https://software.intel.com/en-us/vcsource/tools/opencl-sdk

我这里默认安装到  G:Program FilesIntelOpenCL SDK  目录下。

安装完成后  G:Program FilesIntelOpenCL SDK3.0  目录下出现以下文档 （include和lib等）

安装好VC 2012

Alt+F7 进行属性设置，或者建完项目后右键项目进行属性设置。

新建Win控制台空项目。右键进行属性设置。

在属性页里面找到“C/C++”的“常规”项，点击，右边有“附加包含目录”，然后编辑，添加目录：

.在属性页里面找到“连接器”，点击其“常规”项，右边有“附加库目录”，然后也是编辑，添加目录：

 在输入选项只用，右边“附加依赖项”，编辑，添加lib文件：OpenCL.lib

这里要注意一点， 如果你用的是64位的系统的话，如果你把OpenCL.lib 的目录指定为......//lib/x64 的话，很很可能还是不能正常编译。这是因为

A fresh install of Visual Studio (even 2010) uses 32-bit by default, so unless you've explicitly set your project to be 64-bit (in configuration manager -> platform -> x64) it will be 32-bit. 

所以说如果编译不能正常通过的话试着把OpenCL.lib 的目录指定为......//lib/x86  或者......//lib/Win32 试试。

但是目录还是C:Program Files  不是C:Program Files(x86)

比如如果用NVDIA 的CUDA可以这样设定目录

C:Program FilesNVIDIA GPU Computing ToolkitCUDAv7.0libWin32

然后添加源文件，源文件如下：

 #include

 #include //包含CL的头文件

 using namespace std;

 

 //根据参数，判断设备类别。是CPU、GPU、ACCELERATOR或其他设备

 const char* GetDeviceType(cl_device_type it)

 {

     if(it == CL_DEVICE_TYPE_CPU)

         return "CPU";

     else if(it== CL_DEVICE_TYPE_GPU)

         return "GPU";

     else if(it==CL_DEVICE_TYPE_ACCELERATOR)

         return "ACCELERATOR";

     else

         return "DEFAULT";

  

 }

  

 int main()

 {

     char dname[512];

     cl_device_id devices[20];

     cl_platform_id* platform_id = NULL;

     cl_uint num_devices;

     cl_device_type int_type;

     cl_ulong long_entries;

     cl_uint num_platform;

     cl_int err;

  

     //查询系统上可用的计算平台，可以理解为初始化

     err = clGetPlatformIDs(0,NULL,&num_platform);

  

     if(err!=CL_SUCCESS)

     {

         cout<<"clGetPlatformIDs error"<<endl;

         return 0;

     }

  

     cout<<"PlatForm num:"<<num_platform<<endl;

  

    unsigned int st=0;

  

     platform_id = new cl_platform_id[num_platform];

  

     err = clGetPlatformIDs(num_platform,platform_id,NULL);

  

     if(err!=CL_SUCCESS)

     {

         cout<<"clGetPlatformIDs error"<<endl;

         return 0;

     }

  

 

for(st=0;st

     {

         cout<<endl<<"----------------------------------"<<endl;

         cout<<"Platform "<<st+1<<endl;

  

         //获取可用计算平台的名称

         clGetPlatformInfo(platform_id[st],CL_PLATFORM_NAME,512,dname,NULL);

         cout<<"CL_PLATFORM_NAME:"<<dname<<endl;

  

         //获取可用计算平台的版本号,即OpenCL的版本号

         clGetPlatformInfo(platform_id[st],CL_PLATFORM_VENDOR,512,dname,NULL);

         cout<<"CL_PLATFORM_VERSION:"<<dname<<endl;

  

         //获取可用计算平台的设备数目

         clGetDeviceIDs(platform_id[st],CL_DEVICE_TYPE_ALL,20,devices,&num_devices);

         cout<<"Device num:"<<num_devices<<endl<<endl;

  

         unsigned int n=0;

  

         //循环两次，检测两个设备的属性

         for(n=0;n

         {

             cout<<endl<<"Device "<<n+1<<endl;

             //获取设备名称

             clGetDeviceInfo(devices[n],CL_DEVICE_NAME,512,dname,NULL);

             cout<<"Device :"<<dname<<endl;

  

             //获取设备类别

             clGetDeviceInfo(devices[n],CL_DEVICE_TYPE,sizeof(cl_device_type),&int_type,NULL);

             cout<<"Device Type:"<<GetDeviceType(int_type)<<endl;

  

             //获取设备版本号

             clGetDeviceInfo(devices[n],CL_DRIVER_VERSION,512,dname,NULL);

             cout<<"Device version:"<<dname<<endl;

  

             //获取设备全局内存大小

             clGetDeviceInfo(devices[n],CL_DEVICE_GLOBAL_MEM_SIZE,sizeof(cl_ulong),&long_entries,NULL);

             cout<<"Device global mem(MB):"<<long_entries/1024/1024<<endl;

  

             //获取设备CACHE内存大小

             clGetDeviceInfo(devices[n],CL_DEVICE_GLOBAL_MEM_CACHE_SIZE,sizeof(cl_ulong),&long_entries,NULL);

             cout<<"Device global mem cache(KB):"<<long_entries/1024<<endl;

  

             //获取本地内存大小

             clGetDeviceInfo(devices[n],CL_DEVICE_LOCAL_MEM_SIZE,sizeof(cl_ulong),&long_entries,NULL);

             cout<<"Device Locale mem(KB) :"<<long_entries/1024<<endl;

  

             //获取设备频率

             clGetDeviceInfo(devices[n],CL_DEVICE_MAX_CLOCK_FREQUENCY,sizeof(cl_ulong),&long_entries,NULL);

             cout<<"Device Max clock(MHz) :"<<long_entries<<endl;

  

             //获取最大工作组数

             clGetDeviceInfo(devices[n],CL_DEVICE_MAX_WORK_GROUP_SIZE,sizeof(cl_ulong),&long_entries,NULL);

             cout<<"Device Max Group size :"<<long_entries<<endl;

  

             //获取最大计算核心数

             clGetDeviceInfo(devices[n],CL_DEVICE_MAX_COMPUTE_UNITS,sizeof(cl_ulong),&long_entries,NULL);

             cout<<"Device Max parallel cores:"<<long_entries<<endl;

  

         }

     }

  

     return 0;

 }

以上程序是检测当前计算机的可用计算平台的相关信息，运行结果如下。

提示复制本代码，编译后若发现提示： 检测到 Mac 文件格式: 请将源文件转换为 DOS 格式或 UNIX 格式， 则在VS中，点文件->高级保存选项，然后在行尾选项中选择windows(CR LF)，重新编译，ok。
还有在查找替换时，在查找选项中启用 正则表达式选项 ，注意windows下的换行符是 /n 而不是  

opencl编码流程

摘自opencl异构计算：

  （1）初始化opencl 平台(调用两次clGetPlatformIDs函数）

                     第一次获取可用的平台数量，第二次获取一个可用的平台。

（2） 选择设备(调用两次clGetDeviceIDs函数）

                    第一次获取可用的设备数量，第二次获取一个可用的设备。

（3）创建上下文(调用clCreateContext函数）

Context：环境上下文，一个Context包含几个device（单个Cpu或GPU），一个Context就是这些device的一个联系纽带，只有在一个Context上的那些Device才能彼此交流工作，你的机器上可以同时存在很多Context。你可以用一个CPu创建context，也可以用一个CPU和一个GPU创建一个。

（4）创建命令队列(调用clCreateCommandQueue函数）

（5）创建数据缓冲区(调用clCreateBuffer函数）

（6）将 host数据写进设备缓冲区(调用clEnqueueWriteBuffer函数）

（7）创建程序对象(调用clCreateProgramWithSource函数）并编译内核源码（调用clBuildProgram函数,如果编译成功，则把编译代码存储在程序对象中）

（8）创建kernel(调用clCreateKernel函数）

（9）设置内核参数(调用clSetKernelArg函数）

（10）Configure the work-item structure(设置worksize）//只在分组的时候用到，只调用全局id的时候不要设置

（11）内核入队执行(调用clEnqueueNDRangeKernel函数）

（12）取回计算结果。Read  the output buffer back to the host(调用clEnqueueReadBuffer函数）

（13）Release OpenCL resources（至此结束整个运行过程）

中间有很多地方需要结合实际情况进行设定。

  //step 1:初始化OpenCL

    err = clGetPlatformIDs(1,&platform_id,NULL);

 

    if(err!=CL_SUCCESS)

    {

        cout<<"clGetPlatformIDs error"<<endl;

        return 0;

    }

 

    ////step 2:创建上下文。这次我们只用CPU来进行并行运算，当然你也可以该成GPU

    clGetDeviceIDs(platform_id,CL_DEVICE_TYPE_CPU,1,&device,NULL);

 

    //step 3:创建上下文

    context = clCreateContext(NULL,1,&device,NULL,NULL,NULL);

 

    //step 4:创建命令队列

    cmdQueue = clCreateCommandQueue(context,device,0,NULL);

 

     //step 5:创建数据缓冲区,即创建内存对象，内存对象分配在设备内存中，可以有内核函数直接调用

    bufferA = clCreateBuffer(context,

                             CL_MEM_READ_ONLY,

                             datasize,NULL,NULL);

 

    bufferB = clCreateBuffer(context,

                             CL_MEM_READ_ONLY,

                             datasize,NULL,NULL);

 

    //step 6:将数据上传到缓冲区,注意这里只传A，相当于赋值，B 是结果，不需要初始化了

    clEnqueueWriteBuffer(cmdQueue,

                         bufferA,CL_FALSE,

                         0,datasize,

                         buf_A,0,

                         NULL,NULL);

 

 

 

    //step 7:由内核源代码创建程序对象.

 

    program = clCreateProgramWithSource(context,1,

                                        (const char**)&buf_code,

                                        NULL,NULL);

 

   

//调用clBuildProgram函数,编译内核源代码。如果编译成功，则把编译代码存储在程序对象中

clBuildProgram(program,1,&device,NULL,NULL,NULL);

    

//step 8：创建内核对象

    kernel = clCreateKernel(program,"transposition",NULL);

    //step 9:设置参数，执行内核

    clSetKernelArg(kernel,0,sizeof(cl_mem),&bufferA);

    clSetKernelArg(kernel,1,sizeof(cl_mem),&bufferB);

 

    //step 10:内核入队执行。注意这里第三个参数已经改成2，表示二维数据。

  clEnqueueNDRangeKernel(cmdQueue,kernel,

                           2,NULL,

                           globalWorkSize,

                           NULL,0,NULL,NULL); 

   //step 11:取回计算结果

    clEnqueueReadBuffer(cmdQueue,bufferB,CL_TRUE,0,

                        datasize,buf_B,0,NULL,NULL);

 

    //输出计算结果

    for(n=0;n

    {

        for(m=0;m

        {

            cout<< buf_A[m][n] <<",";

        }

        cout<<endl;

    }

 

    cout<<endl<<"====transposition===="<<endl<<endl;

 

    for(n=0;n

    {

        for(m=0;m

        {

            cout<< buf_B[m][n] <<",";

        }

        cout<<endl;

    }

 

    //step 12:释放所有调用和内存

 

    clReleaseKernel(kernel);

    clReleaseProgram(program);

    clReleaseCommandQueue(cmdQueue);

    clReleaseMemObject(bufferA);

    clReleaseMemObject(bufferB);

    clReleaseContext(context);

 

    delete buf_code;

    return 0;