OpenCL实现蒙特卡洛法近似Pi性能低于串行版本的问题咨询

• 数据传输开销主导运行耗时
  蒙特卡洛计算Pi属于计算密度较低的算法，若采样总点数低于千万级，设备和主机之间的内存拷贝开销会远大于计算本身的开销，完全抵消并行加速收益。需要将单次计算的采样规模提升到至少1e7以上，让计算时间占总耗时的主导地位才能拿到并行收益。
• 内核实现存在效率缺陷
  • 随机数生成器开销过高：内核侧若使用串行随机数实现、每个工作项重复初始化随机种子、或使用精度冗余的随机数算法，会大幅拉高计算耗时。建议使用xorshift这类轻量级并行友好的随机数生成方案，每个工作项预先分配独立种子，避免重复初始化。
  • 工作粒度设置不合理：若每个工作项仅计算1个采样点，工作项调度开销会远高于计算开销，建议调整为每个工作项计算数百到数千个采样点，降低调度成本。
  • 工作组大小未适配目标设备：AMD独立显卡的最优工作组大小需为32/64/128的倍数，Intel核显需为8/16的倍数，若工作组大小设置不符合设备要求，会导致硬件计算单元利用率极低，大部分资源处于空转状态。
• 主机侧实现冗余
  • 若每次计算都重复执行OpenCL上下文初始化、内核编译流程，会引入极高的额外开销：OpenCL内核编译本身耗时可达数百毫秒，远高于小规模计算的耗时。上下文、命令队列、内核都应该仅初始化一次，后续计算重复使用即可。
  • 未使用异步调度优化：主机侧所有操作都使用同步调用，会引入大量无意义的等待时间，可通过异步命令队列实现数据拷贝和计算的重叠执行，降低等待开销。
• 设备选择错误
  若未明确指定调度到AMD独立显卡运行，程序可能默认使用Intel核显、甚至OpenCL CPU运行时：OpenCL CPU运行时本身存在额外的调度开销，性能远低于原生优化的串行CPU代码，Intel核显的算力也远低于同级别CPU的优化串行实现，只有调度到AMD独立显卡才能拿到明显的并行收益。
• 编译优化等级不足
  若串行版本已经开启了-O2/-O3编译优化、甚至启用了SIMD向量化，而OpenCL内核编译未开启对应优化，也会出现并行版本性能更差的情况。编译内核时可添加-cl-fast-relaxed-math参数，放宽浮点精度限制提升计算速度，Pi的近似计算对浮点精度容忍度很高，完全适用该优化参数。

内容的提问来源于stack exchange，提问作者Leon Dikan