트레이딩에서 OpenCL
OpenCL 소개
OpenCL 소개 비디오에서는 CPU, GPU 및 FPGA를 비롯한 여러 유형의 장치를 지원하는 고성능 이기종 데이터 병렬 계산을 위한 하위 수준 언어인 OpenCL에 대해 설명합니다. OpenCL은 2008년에 공개 표준이 되었으며 Intel, Nvidia 및 AMD와 같은 회사로부터 상당한 업계 지원을 받았습니다. OpenCL은 종종 Nvidia의 더 나은 도구, 기능 및 지원을 제공하는 CUDA와 비교되지만 OpenCL은 더 많은 장치를 지원하므로 제조업체 전체에서 더 널리 보급됩니다. 개인 프로젝트의 경우 연사는 더 나은 도구와 최적화를 위해 CUDA를 사용할 것을 제안하고 OpenCL은 다양한 GPU를 지원해야 하는 전문 제품에 권장합니다.
- 00:00:00 이 섹션에서 발표자는 고성능 이기종 데이터 병렬 계산을 위한 저수준 언어인 OpenCL을 소개합니다. OpenCL은 CPU, GPU, FPGA 등 여러 유형의 장치를 지원할 수 있으며 C 99를 기반으로 하여 장치 간 이식성이 가능합니다. OpenCL은 또한 벡터를 표현하는 일관된 방법을 제공하며 수학 라이브러리를 공유하고 정밀도를 보장하는 OpenCL 인증 프로세스를 제공합니다. 발표자는 OpenCL이 2008년에 공개 표준이 되었으며 Intel, Nvidia, AMD와 같은 회사와 Ericsson, Nokia, Texas Instruments와 같은 임베디드 장치 제조업체로부터 상당한 업계 지원을 받았다고 말합니다. OpenCL은 종종 Nvidia의 더 나은 도구, 기능 및 지원을 제공하는 CUDA와 비교되지만 OpenCL은 더 많은 장치를 지원하므로 제조업체 전체에서 더 널리 보급됩니다.
- 00:05:00 이 섹션에서 발표자는 CUDA와 OpenCL의 차이점과 목적에 따라 둘 중 하나를 선택해야 하는 경우에 대해 논의합니다. 개인 프로젝트의 경우 연사는 더 나은 도구, 디버거 및 최적화를 위해 CUDA를 사용할 것을 제안합니다. 그러나 다른 GPU를 지원해야 하는 전문 제품의 경우 엔비디아 GPU가 아닌 GPU를 지원하는 유일한 방법이며 여러 회사의 지원을 받아 진화하고 있는 OpenCL을 사용할 것을 스피커는 권장합니다. 코스와 관련하여 연사는 더 나은 도구와 간소화된 코딩을 위해 CUDA를 사용할 것을 제안하지만 OpenCL은 모든 컴퓨팅 리소스를 활용하는 데 사용하기 더 쉬울 수 있습니다.
- 2016.04.06
- www.youtube.com
OpenCL은 무엇에 좋은가요?
비디오의 발표자는 데이터 병렬 및 단일 정밀도인 계산 집약적인 프로그램에 OpenCL을 사용할 때의 이점에 대해 이야기합니다. GPU는 그래픽용으로 설계되었으며 메모리 연산에 대한 수학 연산의 비율이 높기 때문에 이상적입니다. 발표자는 강도가 높은 루프는 GPU가 뛰어난 수학 연산에 더 많은 시간을 소비하는 반면, 강도가 낮은 루프는 메모리 액세스를 기다리는 데 대부분의 시간을 소비한다고 설명합니다. 많은 데이터에 대해 동일한 독립적인 작업을 수행하는 것과 관련된 데이터 병렬 처리도 이 섹션에서 살펴봅니다. 연사는 OpenCL에서 단정밀도와 배정밀도를 사용하는 방법에 대해서도 논의합니다. 여기서 배정밀도는 단정밀도보다 2배 많은 데이터가 필요하기 때문에 실행 비용이 더 많이 듭니다.
- 00:00:00 이 섹션에서 발표자는 OpenCL이 데이터 병렬 및 단일 정밀도인 계산 집약적인 프로그램에 적합하다고 설명합니다. GPU는 그래픽용으로 설계되었으며 메모리 연산에 대한 수학 연산의 비율이 높기 때문에 연산 집약적이기 때문에 이러한 유형의 프로그램에 적합합니다. 수학은 빠르고 메모리는 느리기 때문에 수학 연산이 많으면 컴퓨터가 바쁘게 움직이고 메모리 액세스로 인해 속도가 느려집니다. 연사는 낮은 강도의 루프가 메모리를 기다리는 데 대부분의 시간을 소비하는 반면 높은 강도의 루프는 GPU가 뛰어난 수학 연산에 더 많은 시간을 소비한다고 설명합니다. 많은 데이터에 대해 동일한 독립적인 작업을 수행하는 것을 의미하는 데이터 병렬 처리도 이 섹션에서 살펴봅니다. 예를 들면 이미지의 픽셀 수정 또는 그리드의 점 업데이트가 있습니다.
- 00:05:00 이 섹션에서는 발표자가 OpenCL에서 데이터 병렬 실행이 작동하는 방식을 설명합니다. 그는 본질적으로 많은 데이터에 대한 독립적인 작업을 포함하며 이를 데이터 병렬 실행이라고 합니다. 연사는 계속해서 이러한 유형의 실행으로 인해 다른 색상의 픽셀에서 작업을 수행할 때 발생할 수 있는 것과 같이 데이터에 대해 수행된 계산의 변동으로 인해 성능 손실이 발생할 수 있다고 설명합니다. 그런 다음 그는 OpenCL에서 단정밀도와 배정밀도의 사용에 대해 논의하면서 배정밀도는 단정밀도보다 두 배 많은 데이터를 필요로 하므로 실행 비용이 더 많이 든다고 말했습니다.
- 2016.04.06
- www.youtube.com
OpenCL의 로컬 및 글로벌 차원
이 비디오는 OpenCL의 글로벌 및 로컬 차원의 개념과 코드 실행에서 병렬성을 지정하는 데 사용되는 방법에 대해 자세히 설명합니다. 전역 차원은 각 커널 실행에 대해 실행될 스레드 또는 작업 항목의 수를 결정하는 1D, 2D 또는 3D 배열입니다. 예를 들어 전역 차원이 1000개의 포인트가 있는 3D 배열인 경우 각 포인트에는 실행된 스레드 또는 작업 항목이 있습니다. 한편, 로컬 차원은 글로벌 차원을 로컬 작업 그룹 또는 함께 실행되는 스레드 그룹으로 분할하여 동기화를 용이하게 합니다. 동기화는 동일한 작업 그룹 내에서만 허용되므로 필요한 동기화를 허용하는 로컬 차원을 선택하는 것이 중요합니다. 요약하면 전역 차원은 각 커널 실행에 대한 스레드 또는 작업 항목 수를 설정하는 반면 로컬 차원은 전역 차원을 동기화를 가능하게 하는 작업 그룹으로 분할합니다. 동기화는 동일한 작업그룹 내에서만 발생할 수 있으므로 적절한 로컬 차원을 선택하는 것이 동기화에 중요합니다.
- 2016.04.06
- www.youtube.com
OpenCL의 로컬 치수 관련 문제
이 비디오는 동기화 제한 및 장치 활용을 포함하여 OpenCL의 로컬 차원과 관련된 몇 가지 문제를 살펴봅니다. 동기화는 GPU의 동일한 작업 그룹으로 제한되며 전역 동기화는 비용이 많이 들고 커널 실행이 끝날 때만 사용할 수 있습니다. 올바른 로컬 작업 그룹 크기를 선택하는 것은 하드웨어 낭비를 방지하는 데 매우 중요하며 발표자는 물리적 하드웨어 크기의 좋은 배수인 크기를 선택하도록 제안합니다. 비디오는 최적의 성능을 위한 최상의 치수를 찾기 위한 시행 착오 방식을 권장하는 것으로 끝납니다.
- 00:00:00 이 섹션에서는 비디오에서 OpenCL에서 로컬 차원을 선택할 때 동기화 및 장치 활용과 관련된 두 가지 문제를 살펴봅니다. 로컬 작업 그룹 크기는 코드 복잡성에 따라 스레드 512개에서 최대 1024개로 제한되며 동기화는 동일한 작업 그룹 내에서만 발생할 수 있습니다. 이 비디오는 축소 응용 프로그램을 사용하여 동기화가 작동하는 방식과 작업 그룹 크기에 따른 제한 사항을 보여줍니다. 비디오는 제한된 동기화 기능을 GPU 확장성 요구 사항과 칩의 다른 위치에서 임의 동기화를 지원하는 비용에 기인합니다.
- 00:05:00 이 섹션에서는 비디오에서 OpenCL의 로컬 차원 문제를 살펴봅니다. 첫 번째 예는 스핀 잠금을 사용하면 스케줄러의 진행 진행에 대한 보장 부족으로 인해 어떻게 교착 상태가 발생할 수 있는지 보여줍니다. 비디오는 또한 커널 실행이 끝날 때만 전역 동기화를 수행할 수 있으므로 비용이 많이 들고 프로그래머가 알고리즘을 신중하게 계획해야 한다고 설명합니다. 또 다른 문제는 로컬 작업 그룹 크기가 컴퓨팅 단위의 크기와 일치하지 않을 때 장치 활용도입니다. 이로 인해 하드웨어 일부가 낭비되고 이 문제를 방지하기 위해 프로그래머는 문제에 잘 맞고 하드웨어 크기와 잘 일치하는 치수를 선택해야 합니다.
- 00:10:00 이 섹션에서 발표자는 OpenCL에서 로컬 차원 선택에 영향을 미치는 요소에 대해 논의합니다. 그들은 GPU에서 비디오 64 및 AMD의 경우 16 또는 3,200과 같이 물리적 하드웨어 크기의 좋은 배수로 2,000개 이상의 작업 항목을 갖는 것이 가장 좋다고 설명합니다. CPU의 경우 CPU 코어 수를 두 배로 늘리는 것이 가장 좋지만 사용 중인 알고리즘에 따라 달라질 수 있습니다. 화자는 최고의 성과를 낼 때까지 시행착오를 제안합니다.
- 2016.04.06
- www.youtube.com
OpenCL 컴퓨팅 커널
강사는 OpenCL 커널이 병렬 컴퓨팅에 사용되는 C99 코드라고 설명합니다. 커널은 병렬로 수천 번 실행되며 계산의 내부 루프입니다. 벡터, 정확한 반올림 및 변환, 내장 함수와 같은 OpenCL 기능은 정확도를 보장합니다. OpenCL의 유틸리티 기능은 ID, 차원 및 그룹 ID와 같은 작업 항목에 대한 정보를 제공하여 조정할 수 있는 유연한 커널을 생성할 수 있습니다. 그러나 OpenCL 라이브러리 기능을 사용한다는 것은 병렬 코드 작업 재정렬이 실행 순서와 변경 결과에 영향을 주어 모든 장치에서 결정론적 실행을 불가능하게 만들 수 있기 때문에 선호도와 정밀도를 절충하는 것을 의미합니다.
- 00:00:00 이 섹션에서 강사는 OpenCL 커널이 기본적으로 C99 코드일 뿐이며 병렬로 수행될 계산을 지정하는 데 사용된다고 설명합니다. 코드는 병렬로 수천 번 실행되며 계산의 내부 루프입니다. 그런 다음 강사는 C 함수의 예와 OpenCL 커널을 사용하여 병렬로 실행할 수 있는 방법을 제공합니다. 또한 벡터, 반올림 및 변환을 제어하는 명시적 기능, 정확도가 보장되는 내장 함수와 같은 OpenCL의 일부 기능에 대해서도 설명합니다. OpenCL의 유틸리티 기능은 또한 작업 항목 ID, 차원, 특정 차원의 최대 수, 그룹 ID와 같은 각 작업 항목에 대한 정보를 제공하여 수행해야 하는 작업을 영리하게 파악할 수 있는 유연한 커널을 작성하는 데 도움이 됩니다. . 전반적으로 OpenCL은 보장된 가용성과 정밀도를 제공하여 이식 가능하고 성능이 뛰어난 코드를 만드는 기능을 향상시킵니다.
- 00:05:00 이 섹션에서 발표자는 OpenCL 준수 라이브러리 기능을 사용할 때 기본 설정과 정밀도 사이의 균형을 설명합니다. 이러한 함수는 테스트 시 정밀도를 보장하지만 응용 프로그램이 모든 OpenCL 시스템에서 동일한 결과를 생성한다는 의미는 아닙니다. 그 이유는 컴파일러가 병렬 코드에서 작업을 재정렬하여 실행 순서에 영향을 미치고 최종 결과를 변경할 수 있기 때문입니다. 따라서 이러한 라이브러리 함수에서 코드를 빌드하는 것이 선호되지만 모든 장치에서 결정론적 실행을 보장할 수는 없습니다.
- 2016.04.06
- www.youtube.com
OpenCL 런타임 아키텍처
이 비디오는 메모리 버스를 통해 연결된 GPU 및 CPU와 같은 장치를 포함하여 OpenCL 플랫폼의 아키텍처에 대해 설명합니다. OpenCL 컨텍스트는 플랫폼 내의 장치 그룹으로 설명되어 장치 간의 최적화된 데이터 전송을 허용합니다. 명령 대기열은 다른 장치에 작업을 제출하는 수단으로 도입되었지만 자동 배포가 없으므로 장치 간 작업 배포는 수동으로 수행해야 합니다.
- 2016.04.06
- www.youtube.com
OpenCL에서 데이터 이동
이 비디오는 OpenCL의 데이터 이동에 대해 설명하며, 여기에서 발표자는 호스트 메모리와 GPU 간에 데이터를 복사하는 데 필요한 수동 단계와 글로벌 메모리와 로컬 메모리 간의 속도 차이를 설명합니다. GPU의 전역 메모리는 액세스 속도가 더 빠르지만 호스트 메모리에서 GPU로 데이터를 가져오는 속도는 느립니다. OpenCL의 로컬 메모리는 방대한 대역폭으로 향상된 성능을 제공할 수 있지만 수동 할당이 필요하기 때문에 캐시보다 사용하기 어렵습니다. 최신 Nvidia GPU는 로컬 메모리를 수동으로 관리하거나 대신 캐시로 사용할 수 있는 선택권을 제공하며, 로컬 데이터 이동을 최적화하기 전에 캐시로 시작하는 권장 접근 방식을 사용합니다.
- 00:00:00 이 섹션에서 발표자는 OpenCL에서 데이터 이동이 작동하는 방식과 호스트 메모리에서 GPU로 데이터를 복사하고 그 반대로 데이터를 복사하는 데 필요한 수동 단계에 대해 설명합니다. GPU는 호스트 메모리보다 액세스 속도가 훨씬 빠른 글로벌 메모리를 가지고 있지만 PCIe 버스로 인해 호스트 메모리에서 GPU로 데이터를 가져오는 속도가 느립니다. GPU에는 대역폭이 큰 로컬 메모리도 있으며 이를 사용하면 성능을 크게 향상시킬 수 있습니다. 그러나 데이터를 로컬 메모리에 할당하고 복사하는 작업은 각 컴퓨팅 유닛에서 수동으로 수행해야 하므로 번거로운 작업입니다.
- 00:05:00 이 섹션에서 발표자는 OpenCL의 로컬 메모리(16~48킬로바이트 범위)와 초당 수천 기가바이트의 더 높은 대역폭을 제공할 수 있는 방법에 대해 이야기합니다. 그러나 로컬 메모리는 캐시보다 사용하기 어렵습니다. 캐시는 데이터마다 메모리의 다른 부분을 할당할 필요 없이 가장 최근에 사용한 데이터를 자동으로 배치하는 반면 로컬 메모리는 수동 할당이 필요하기 때문입니다. 최신 Nvidia GPU를 사용하면 로컬 메모리를 수동으로 관리하거나 캐시로 사용할 수 있습니다. 권장 접근 방식은 로컬 데이터 이동을 최적화하기 전에 캐시로 시작하는 것입니다.
OpenCL 헬로 월드
이 영상에서는 OpenCL을 이용하여 프로그램을 생성하고 이를 GPU 장치에 제출하는 과정을 설명합니다. 발표자는 프로그램 빌드, 커널 및 메모리 개체 생성, CPU와 GPU 간에 데이터 복사 단계를 안내합니다. 또한 커널 인수 및 차원을 설정하고 커널을 실행하고 GPU에서 결과를 검색하는 과정을 설명합니다. 발표자는 복잡한 커널이 CPU와 GPU 모두에서 최적의 성능을 제공하지 않을 수 있으며 성능을 개선하기 위해 수정해야 할 수도 있다고 지적합니다. 그들은 OpenCL에서 프로그래밍하는 과정을 원하는 결과를 얻을 때까지 작업을 반복하는 수학 문제 해결과 비교합니다.
- 00:00:00 이 섹션에서 발표자는 OpenCL을 설정하고 이를 사용하여 프로그램을 만드는 데 필요한 단계를 설명합니다. 먼저 장치와 플랫폼을 설정하고 명령을 실행하기 위한 컨텍스트를 생성해야 합니다. 그런 다음 다른 장치에 작업을 제출하기 위해 명령 대기열이 생성됩니다. 그런 다음 코드를 컴파일하여 큐에 제출할 수 있는 커널 개체를 가져옵니다. 장치간에 데이터를 교환하기 위해 메모리 개체가 생성되고 커널에 대한 인수가 설정됩니다. 그런 다음 커널은 실행을 위해 대기하고 데이터는 장치에서 CPU로 다시 복사됩니다. 마지막으로 모든 명령을 완료해야 하며 데이터가 예상대로 반환되도록 대기가 구현됩니다. 발표자는 또한 장치를 사용하여 병렬로 x의 사인을 계산하는 예제 OpenCL Hello World 프로그램을 안내합니다.
- 00:05:00 비디오의 이 섹션에서는 발표자가 OpenCL을 사용하여 프로그램을 만들고 GPU 장치에 제출하는 과정을 설명합니다. 그들은 처음에는 더 오래 걸리지만 그 다음에는 그렇지 않은 프로그램을 만드는 것으로 시작합니다. 그런 다음 CL create kernel을 호출하여 프로그램의 특정 커널에 대한 커널 개체를 만듭니다. 그런 다음 메모리 개체를 만들고 장치에 공간을 할당한 다음 큐 쓰기 버퍼에서 CL을 사용하여 CPU에서 GPU로 데이터를 복사합니다. 그런 다음 화자는 커널 인수와 차원을 설정하고 Q 범위 커널에서 CL을 사용하여 커널을 실행합니다. 마지막으로 화자는 GPU에서 결과를 검색하고 CL 완료를 호출하여 모든 것이 완료될 때까지 기다립니다. 연사는 복잡한 커널이 CPU와 GPU 모두에서 최적의 성능을 제공하지 않을 수 있으며 성능 향상을 위해 수정해야 할 수도 있다고 말하며 결론을 내립니다.
- 00:10:00 이 섹션에서 연사는 프로그래밍이 원하는 최종 출력을 얻을 때까지 특정 명령을 반복하는 경우가 많다고 설명합니다. 그는 그것을 정답에 도달할 때까지 일련의 작업을 반복적으로 수행하는 수학 문제를 푸는 것과 비교합니다. 그는 이 프로세스가 원하는 결과를 얻을 때까지 프로그래밍 명령이 여러 번 반복되는 OpenCL을 사용할 때와 비슷하다고 말합니다.
- 2016.04.06
- www.youtube.com
더 많은 OpenCL 기능
이 비디오는 장치 쿼리, 이미지 처리 및 이벤트와 같은 OpenCL의 추가 기능에 대해 설명합니다. 사용자는 cl_get_device_info 명령을 사용하여 장치에 대한 세부 정보를 찾을 수 있지만 이러한 값이 항상 정확하지는 않을 수 있습니다. 2D 및 3D 이미지 유형에 대한 OpenCL의 기본 지원은 CPU에서 하드웨어 지원이 없으면 느릴 수 있지만 GPU에서는 하드웨어 가속입니다. 이벤트는 비동기 명령 실행 및 여러 장치로 작업할 때 필수적이며 동기화가 필요한 여러 장치에 대한 신호 역할을 합니다. 발표자는 각 이벤트로 커널을 대기열에 추가하고 출력을 복사하고 이벤트가 동기화를 제공할 때까지 대기하여 실행하기 전에 커널 B가 커널 A가 완료될 때까지 기다리도록 이벤트를 사용하는 예를 제공합니다.
- 00:00:00 이 섹션에서 발표자는 장치 쿼리, 이미지 처리 및 OpenCL 이벤트를 포함하여 OpenCL의 추가 기능에 대해 설명합니다. cl_get_device_info 명령을 사용하여 장치를 쿼리하면 사용자는 컴퓨팅 유닛 수, 클럭 주파수, 전역 메모리 크기 등과 같은 장치에 대한 정보를 찾을 수 있습니다. 그러나 화자는 이러한 값이 원하는 만큼 정확하지 않을 수 있음을 주의합니다. OpenCL은 기본적으로 2D 및 3D 이미지 유형을 지원하며 선형 보간, 가장자리 주변 둘러싸기 또는 가장자리 고정이 가능합니다. 이러한 기능은 GPU에서 하드웨어 가속되지만 하드웨어 지원이 없는 CPU에서는 느립니다. 마지막으로 이벤트는 비동기 명령 실행 및 여러 장치로 작업할 때 중요합니다. 다른 장치에 대한 큐는 서로에 대해 비동기적이어서 장치 간에 동기화가 필요하기 때문입니다.
- 00:05:00 이 섹션에서는 연사가 OpenCL에서 이벤트와 사용법을 설명합니다. 모든 enqueue 명령에는 목록의 이벤트 수, 대기 목록 및 반환된 이벤트의 세 가지 항목이 끝에 있습니다. 이를 통해 사용자는 이벤트를 반환하여 커널이 완료되었는지 추적하고 확인할 수 있으며, 커널이 완료될 때까지 다른 작업을 대기하고 프로파일링 정보를 얻을 수도 있습니다. 연사는 이벤트를 사용하여 GPU의 커널 B가 CPU의 커널 A가 완료될 때까지 대기하고 실행하기 전에 출력을 GPU에 복사하는지 확인하는 예제를 제공합니다. 여기에는 이벤트로 커널을 큐에 넣고, 복사를 수행하고, 해당 이벤트를 기다리고, 동기화를 보장하기 위해 두 번째 커널이 복사본을 기다리도록 하는 작업이 포함됩니다.
OpenCL 성능 팁 및 요약
이 비디오에서는 데이터 전송 최소화, 메모리 액세스 최적화, 생산자-소비자 커널 사용, 벡터 및 빠른 수학 함수 활용을 포함하여 OpenCL 성능을 최적화하기 위한 팁에 대해 설명합니다. 발표자는 GPU에 적합한 응용 프로그램은 데이터 병렬, 계산 집약적이어야 하고 전역 동기화를 피하고 단일 정밀도에 익숙하며 작은 캐시로 관리할 수 있어야 한다고 강조합니다. OpenCL에서 성능 저하가 발생하는 경우 알고리즘을 재고하고 메모리 지역성, 공유 또는 로컬 메모리를 최적화하고 작업 항목 간의 불필요한 동기화를 방지해야 할 수 있습니다.
- 00:00:00 이 섹션에서 연사는 데이터를 장치에 가능한 한 오래 보관하고 생산자-소비자 커널 체인을 사용하여 CPU와 GPU 간의 데이터 전송을 최소화하는 것을 포함하여 OpenCL 성능을 최적화하기 위한 팁에 대해 논의합니다. 발표자는 또한 메모리 병합을 최적화하고 GPU에서 로컬 메모리를 관리하여 메모리 액세스를 최적화하는 것의 중요성을 강조합니다. 또한 발표자는 벡터를 사용하면 특정 하드웨어의 성능을 향상시킬 수 있으며 특정 수학 함수의 빠른 또는 기본 변형을 사용하면 속도가 크게 향상될 수 있다고 말합니다. 마지막으로 연사는 데이터 병렬, 계산 집약적, 글로벌 동기화가 필요하지 않고 단정밀도에 익숙하며 작은 캐시로 관리할 수 있는 등 GPU에 적합한 응용 프로그램의 특성에 대해 논의합니다.
- 00:05:00 이 섹션에서 발표자는 OpenCL에서 성능이 좋지 않은 경우 알고리즘을 재고하고 병렬 처리 패턴에 더 잘 맞는 알고리즘을 선택해야 할 수도 있다고 제안합니다. 여기에는 메모리 지역성을 최적화하고, 공유 메모리 또는 로컬 메모리를 활용하고, 작업 항목 간의 불필요한 동기화를 방지하기 위해 코드의 순서 또는 구조를 변경하는 것이 포함될 수 있습니다.
- 2016.04.06
- www.youtube.com
OpenCL은 프로그램을 작성하기 위한 오픈 소스 프레임워크로 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU) 및 기타 특수 프로세서 또는 하드웨어 가속기와 같은 다양한 유형의 하드웨어 플랫폼에서 실행할 수 있습니다. 이를 통해 소프트웨어 개발자는 공급업체나 아키텍처에 관계없이 여러 장치에서 실행할 수 있는 코드를 작성할 수 있습니다.
OpenCL API 및 런타임은 플랫폼 독립성을 제공하므로 모든 OpenCL 지원 장치에서 실행될 수 있는 코드를 생성할 수 있습니다. 또한 개발자가 장치, 메모리 및 커널의 실행을 명시적으로 제어할 수 있도록 함으로써 애플리케이션을 세밀하게 제어할 수 있는 일련의 low-level의 API를 제공합니다.
OpenCL은 과학적 컴퓨팅, 이미지 및 비디오 처리, 머신러닝 및 기타 분야에서 널리 사용됩니다. OpenCL은 보다 빠르고 효율적인 애플리케이션의 실행을 위해 장치 전체에서 병렬 컴퓨팅 성능을 활용합니다.
OpenCL의 가장 중요한 장점 중 하나는 CPU보다 훨씬 빠른 계산을 가능하게 하는 GPU의 처리 능력을 활용한다는 사실입니다. 따라서 과학적 모델링, 이미지 및 비디오 처리, 머신 러닝과 같이 많은 계산이 필요한 애플리케이션에 특히 유용합니다.
OpenCL은 다양한 컴퓨팅 장치의 성능을 활용할 수 있는 응용 프로그램 개발을 위한 유연한 프레임워크를 제공합니다. 그러므로 고성능의 컴퓨팅 응용 프로그램을 개발하는 사람들에게 유용한 도구입니다.
MQL5는 2012년부터 OpenCL을 지원합니다. 자세한 내용은 MQL5 참조의OpenCL로 작업하기를 참조하십시오. 또한: OpenCL 프로그램 작업을 위한 클래스.
OpenCL을 사용한 예제는 MQL5\Scripts\Examples\OpenCL에서 찾을 수 있습니다.
아래는 MQL5의 OpenCL Seascape 예제입니다.
관련 기사:
OpenCL: 소박한 프로그래밍에서 보다 통찰력 있는 프로그래밍으로
설치 및 사용 방법 계산을 위한 OpenCL
내장된 지원을 Linux에서 DLL로 재생성하여 OpenCL API를 이해하고 효율적으로 사용하기(1부): 동기 부여 및 검증