OpenCL

该包装器以类似于Mathematica的OpenCLLink的方式提供了MATLAB和OpenCL之间的接口。控制环境中的一切，来回复制数据，以直观的方式启动线程，所有这些都组织在一个类中，并通过简单的函数接口完成。编译内核、复制缓冲区、启动线程和读回数据只需要2次调用。课程包括： obj = OpenCLInterface：查询所有可用设备的构造函数。 obj.PrintDevices：打印所有可用设备。 obj.GetGPUDevices：获取所有GPU设备的ID。 obj.GetCPUDevices：获取所有CPU设备的ID。 obj.CreateFunction：从文件或字符串中读取内核代码，编译并缓存它。 obj.Run：使用指定的本地和全局工作负载、标量和缓冲区及其内存标志启动内核。指定为输出的缓冲区将包含执行后的数据。

人工智能、深度学习以及大数据处理需求日益增长，尤其是在移动互联网领域，图片、视频、语音等非结构化数据的挖掘和识别应用愈发重要。在此背景下，异构平台成为各大互联网厂商提升数据挖掘平台性能的关键。 OpenCL作为由Khronos国际标准组织发布和维护的开放行业标准，为通用并行计算提供了跨厂商解决方案。与仅限于NVIDIA GPU的CUDA不同，OpenCL 具备“一次编写，多环境运行”的优势，极大提升了开发效率。OpenCL正逐渐成为异构处理器性能优化和开发的利器。

本课程帮助您熟悉OpenCL程序构建的基本方法，通过简单的步骤隔离和优化现有程序的各个部分，以便移至GPU内核执行。课程内容涵盖了创建和执行OpenCL内核所需的基本原语，以及消除性能瓶颈的简单技巧。此外，您还将通过AWS探索远程GPU实例，深入理解GPU性能优化的实用方法。请注意，本课程不使您成为GPU专家，而是为您提供创建OpenCL程序的基础知识和实用技能。

Kmeans算法是无监督学习中的经典聚类方法，用于将已知数据集分组和划分，广泛应用于图像处理、数据挖掘及生物学领域。随着数据规模的增大，对Kmeans算法性能提出了更高要求。本研究在考虑不同硬件平台架构差异的基础上，系统研究了Kmeans算法在GPU和APU平台上的优化关键技术，包括片上全局同步高效实现、减少冗余计算、线程任务重映射和局部内存重用等，以实现在不同硬件平台上的高性能和性能移植。实验结果显示，优化后的算法在大规模数据处理方面表现出卓越的性能。

本课程教授如何使用简单方法隔离现有程序部分，并将其移至内核以提高GPU性能。学习通过AWS探索远程GPU实例来优化OpenCL程序，并检查消除性能瓶颈。课程不培养GPU专家，但将帮助您熟悉创建和执行OpenCL内核所需的基本技能。

OCLSDKLightAMD.zip是一个用于替代AMD APP SDK的OpenCL库，OpenCL（全称Open Computing Language，开放运算语言）是第一个面向异构系统通用目的并行编程的开放式、免费标准。它提供了一个统一的编程环境，使软件开发人员能够为高性能计算服务器、桌面计算系统以及手持设备编写高效且轻便的代码。随着技术的进步，这种开放的编程模式正在逐步成为开发者们的首选。