AMD 5870 显卡 (cypress) 架构

•  20 个 simd 引擎，每个 simd 引擎包含 16 个 simd
•  每个 simd 包含 16 个 stream core 
•  每个 stream core 都是 5 路的乘法 -加法运算单元（ VLIW processing）
•  每个 stream core 是一个 5 路的 VLIW 处理器，在一个 VLIW 指令中，可以最多发射 5 个标量操作。标量操作在每个 pe 上执行
•  CU（ 8xx 系列 cu 对应硬件的 simd）内的 stream core 执行相同的 VLIW 指令 
•  在 CU（或者说 simd）内同时执行的 work item 放在一起称作一个 wave，它是 cu 中同时执行的线程数目。在 5870中 wave 大小是 64，也就是说一个 cu 内，最多有 64 个 work item 在同时执行 
•  单精度运算可以达到 Teraflops 
•  双精度运算可以达到 544Gb/s 

 我们现在看下 AMD GPU 硬件在 OpenCL 中的对应关系： 

•  一个 workitme 对应一个 pe， pe 就是单个的 VLIW core ，也就是每个simd core 中的某个具体的VLIW 线程
•  一个 cu 对应多个 pe， cu 就是 simd 引擎 
•  一个 simd 引擎的示意图，每个 simd 引擎由一系列的 stream core 组成 

•  对每个 cu 来说，它使用的内存包括 onchip 的 LDS 以及相关寄存器。在 5870 中，每个 LDS 是 32K，共 32 个bank，每个 bank 1k，读写单位 4 byte
•  对每个 cu 来说，有 8K 的 L1 cache。（ for 5870） 
•  各个 cu 之间共享的 L2 cache，在 5870 中是 512K 
• fast Path 只能执行 32 位或 32 位倍数的内存操作
  
•  complete path 能够执行原子操作以及小于 32 位的内存操作 

 AMD GPU 的内存架构和 OpenCL 内存模型之间的对应关系： 

•  LDS 对应 local memeory，主要用来在一个 work group 内的 work times 之间共享数据。 steam core 访问 LDS 的速度要比 Global memory 快一个数量级 
•  private memory 对应每个 pe 的寄存器 
•  constant memory 主要是利用了 L1 cache 
•  注意：对 AMD CPU， constant memory 的访问包括三种方式： Direct-Addressing Patterns ，这种模式要求不包括行
  列式，它的值都是在 kernel 函数初始化的时候就决定了，比如传入一个固定的参数。 Same Index Patterns ，所有的 work
  item 都访问相同的索引地址。 Globally scoped constant arrays ，行列式会被初始化，如果小于 16K，会使用 L1 cache，
  从而加快访问速度。当所有的 work item 访问不同的索引地址时候，不能被 cache，这时要在 global memory 中读取。