文章目錄

• 什么是oneAPI？
• 初探DPC++
• DPC++的數(shù)據(jù)管理模塊代碼示例
• • 1.explicit_data_movement.cpp
  • 2.implicit_data_movement.cpp
• 總結(jié)

---

什么是oneAPI？

舉幾個發(fā)生在我們身邊的情景：我們經(jīng)常在電腦上辦公時臨時有事，需要外出處理事情，這個時候我們就會將正在處理的辦公事務(wù)轉(zhuǎn)移到手機上進行；任何從邊緣到云端的應(yīng)用程序；亦或者是我們會在一個app上看感興趣的電視，只要我們的電視、電腦、手機上都安裝了這個app，我們就能做到多設(shè)備連續(xù)性的體驗。就我們目前正在處理的各種各樣的工作負(fù)載而言，這是一個令人驚嘆的了不起的時代。這些事例都需要一套多樣化的架構(gòu)。在這個時代，我們見證了各種設(shè)備和硅片加速器的爆炸式增長。如果我想在云端同時處理1000個處理器，亦或者是利用無人機進行人臉識別。這些加速器，每一個都有自己的庫和工具、或者是一個獨特的編程模型。這使得它們之間跨架構(gòu)重用代碼并高效工作具有很大的挑戰(zhàn)性。為了使開發(fā)人員能夠以最佳性能實現(xiàn)這種連續(xù)體驗，有時候必須以java、c++、python和其他語言來編寫和重寫幾乎相同的代碼，在多個操作系統(tǒng)上進行編譯，有時使用完全不同的API、庫、SDK，整個過程中產(chǎn)生大量的系統(tǒng)開銷，使我們不能專注于算法和創(chuàng)新。oneAPI的大膽愿景是在為你提供所需的所有性能的同時，擁有一個跨架構(gòu)，跨供應(yīng)商的軟件可移植性。因此，無論你的系統(tǒng)配備了什么設(shè)備和加速器，或者是，這些設(shè)備各自使用的是什么語言和庫，利用什么中間件或者框架等等，oneAPI都能夠橋接、抽象所有的這些設(shè)備，并使其具有一個共通點。在這里，可以共享內(nèi)存空間、代碼可以被移植并重新利用、工具可以跨架構(gòu)使用。oneAPI的行業(yè)范圍規(guī)范定義了軟件棧內(nèi)部的底層抽象層你可以將優(yōu)化的庫集中用于各個領(lǐng)域。

---

初探DPC++

讓我們看一段DPC++示例代碼：

#include <CL/sycl.hpp> constexpr int N = 16; using namespace sycl;class IntelGPUSelector : public device_selector { public: int operator()(const device& Device) const override { const std::string DeviceName = Device.get_infoinfo::device::name(); const std::string DeviceVendor = Device.get_infoinfo::device::vendor(); return Device.is_gpu() && (DeviceName.find("Intel") != std::string::npos) ? 100 : 0; } };int main() { IntelGPUSelector d; queue q(d); int* data = malloc_shared(N, q); q.parallel_for(N, [=](auto i) { data[i] = i; }).wait(); for (int i = 0; i < N; i++) std::cout << data[i] << " "; free(data, q); }

IntelGPUSelector是一個繼承了device_selector的設(shè)備選擇器，其中device_selector是純虛類，它有個純虛函數(shù)int operator()(const device& Device) const需要派生類來實現(xiàn)，該函數(shù)會遍歷計算機上的計算設(shè)備，并且返回使用設(shè)備的優(yōu)先級，返回數(shù)字越高優(yōu)先級越高，這里選擇Intel的GPU作為首選的計算設(shè)備，注意這個函數(shù)使用了override來說明其目的是覆蓋虛函數(shù)。queue的目的是指定工作的目標(biāo)位置，這里設(shè)置的是Intel的GPU。

DPC++的數(shù)據(jù)管理模塊代碼示例

1.explicit_data_movement.cpp

代碼如下（示例）：

#include <CL/sycl.hpp> #include<array> using namespace sycl; constexpr int N = 42;int main() {queue Q;std::array<int,N> host_array;int *device_array = malloc_device<int>(N, Q);for (int i = 0; i < N; i++)host_array[i] = N;// We will learn how to simplify this example laterQ.submit([&](handler &h) {// copy hostArray to deviceArrayh.memcpy(device_array, &host_array[0], N * sizeof(int));});Q.wait();Q.submit([&](handler &h) {h.parallel_for(N, [=](id<1> i) { device_array[i]++; });});Q.wait();Q.submit([&](handler &h) {// copy deviceArray back to hostArrayh.memcpy(&host_array[0], device_array, N * sizeof(int));});Q.wait();free(device_array, Q);return 0; }

2.implicit_data_movement.cpp

代碼如下（示例）：

#include <CL/sycl.hpp> using namespace sycl; constexpr int N = 42;int main() {queue Q;int *host_array = malloc_host<int>(N, Q);int *shared_array = malloc_shared<int>(N, Q);for (int i = 0; i < N; i++) {// Initialize hostArray on hosthost_array[i] = i;}// We will learn how to simplify this example laterQ.submit([&](handler &h) {h.parallel_for(N, [=](id<1> i) {// access sharedArray and hostArray on deviceshared_array[i] = host_array[i] + 1;});});Q.wait();for (int i = 0; i < N; i++) {// access sharedArray on hosthost_array[i] = shared_array[i];}free(shared_array, Q);free(host_array, Q);return 0; }

---

總結(jié)

oneAPI 的DPC++庫可以對DPC++內(nèi)核加速并優(yōu)化C++的算法等。AI工具分析套件是基于oneAPI借助優(yōu)化的深度學(xué)習(xí)框架和高性能python庫，這些套件可以幫助加速端到端機器學(xué)習(xí)和數(shù)據(jù)科學(xué)流程。OpenVION工具套件可以加速開發(fā)具備高性能深度學(xué)習(xí)推理計算機視覺功能的視覺/AI應(yīng)用它支持在硬件加速器上進行深度學(xué)習(xí)，并輕松部署到多種類型的英特爾平臺上。這些強大的組件可以加快開發(fā)人員在開發(fā)的過程中的效率，使得其在開發(fā)過程中更加方便。

總結(jié)

以上是生活随笔為你收集整理的英特尔oneAPI---跨架构实现高效率的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。