從開始瞭解高性能GPU並行計算到現在也就三個月時間，因爲我所有的代碼都是C++語言編寫，所以在並行計算異構編程框架上選擇的是C++ AMP平臺。只有真正的實現超線程計算縮短了for循環之後，才感嘆這技術太牛逼了！一定要掌握！
開始瞭解GPU並行計算還是在實驗室一個剛回國師兄的講座上，他用的是CUDA，當然師兄的編程能力超硬，所以對於這種技術都是處於羨慕狀態。最開始我查了好多資料準備學習CUDA方法實現GPU並行計算，下載了cuda_9.1.85_windowshttps://developer.nvidia.com/cuda-toolkit-archive，但是後來發現CUDA作爲計算性能最快的平臺，它也有缺陷，就是隻適用於英偉達的顯卡，並且學起來比較難。這兩點也是阻擋我學習CUDA的最大的原因。
沉寂了兩個多月，後來開始學習基於C++AMP平臺的GPU並行計算，推薦一本書Kate Gegory和Ade Miller著的《C++AMP用Visual C++加速大規模運算》非常棒，網上有電子版。先是開始搭載並行計算平臺，我用的是VS2017，遇到一些問題已解決https://blog.csdn.net/weixin_41788456/article/details/104702188，對於C++AMP的學習比較容易入手，只要理解lambda表達式和parallel_for_each表達式，就可以實現並行計算的數組加減運算，對於簡單的計算，性能提升不明顯，只有真正進入實用階段才能體會到GPU並行計算的巨大魅力之處！隨便測試了一下之前我寫的正常代碼也就是CPU計算需要691s，使用並行計算之後只需要45s，這個效率還是很棒的。
淺談CUDA、OpenCL與C++ AMP
C++ AMP出現之前已經有了兩個異構編程框架：CUDA與OpenCL。CUDA是顯卡廠商Nvidia於2007年推出的業界第一款異構並行編程框架。在Nvidia的大力支持下，CUDA擁有良好的開發環境，豐富的函數庫，優秀的性能。但是CUDA只能被用於在Nvidia的顯卡上進行異構編程，有先天的侷限性。OpenCL是業界第一個跨平臺的異構編程框架。它是Apple領銜並聯合Nvidia，AMD，IBM，Intel等衆多廠商於2008年共同推出的一個開放標準，由單獨成立的非營利性組織Khronos Group管理。與C++ AMP類似，OpenCL作爲一個開放的標準，並不侷限於某個特定的GPU廠商，從這點上來看，Nvidia自己獨家的CUDA顯得很封閉了。
因爲CUDA與OpenCL比C++AMP更接近硬件底層，所以前兩者的性能更好，然而與C++ AMP的易編程性卻要優於CUDA和OpenCL。與C++ AMP基於C++語言特性直接進行擴展不同，OpenCL是基於C99編程語言進行的相關修改和擴展，因此C++ AMP比OpenCL擁有更高層次的抽象，編程更加簡單。在CUDA和OpenCL中，kernels（運行在GPU上的代碼）必須被封裝成特定函數，而在C++ AMP中，代碼看起來整潔的多：我們只需要使用for循環中內嵌的lambda函數就能完成異構並行計算，而且它的內存模型也在一定程度上被大大簡化了。所以C++AMP對於大部分人來說是更好的選擇！
從編程語言的選擇來看，普遍認爲易編程性往往比性能更加重要，編程效率無疑是最重要的指標。更不用說開發者可以通過更換下一代GPU硬件來獲得更好的性能。從這點來看，C++ AMP通過降低異構編程的編程難度，實際上也是推進了異構編程的普及。