HetCompute Image Processing Tutorial(二)

一、并行平铺

１），粗化任务粒度的一个简单方法是平铺图像并为每个平铺生成任务。这可以通过直接平铺循环来完成。

　　　　

２），或者通过重新构造代码，保留与串行实现相同的去噪内核，并将其调用并行化。

　　　

二、使并行处理模式化

１），平铺优化负责处理局部性，因为每个任务将以更大的粒度进行计算。但是，您可能会注意到，每个磁贴都会启动一个任务，然后等待所有磁贴完成。虽然HetCompute在启动许多任务方面很有效，但它还有一个模式API，可以提供更好的负载平衡和资源管理。特别是，对于这个例子，使用了hetcompute::pfor_each构造。

２），内核保持不变，但驱动程序功能被重写：

　　　

３），分析代码：

a，hetcompute::range <2>定义了一个二维范围，从[0，宽度] x [0，高度]开始，每个维度的步长为TILE_SIZE。每个维度可以有不同的步幅。 该范围用作并行循环的迭代空间。

b．hetcompute::pfor_each（）构造表示这是一个并行循环，即所有迭代都可以并发执行。传递一个lambda表达式来封装内核（就像Qualcomm HetCompute在上一节中启动任务一样）。在这种情况下，lambda接受一个参数，即范围内的线性索引。hetcompute::pfor_each模式允许HetCompute聚合任务，因为它适合于平台。

c，hetcompute::index <2>定义了一个二维索引。HetCompute范围知道如何迭代到适当的点。linear_to_index调用返回一个对象，该对象在范围的每个维度中具有适当的坐标。可以使用对象上的[]运算符直接访问它们

d，请注意，循环结束时没有hetcompute::wait_for（）。hetcompute::pfor_each是一个同步操作，将在内部等待迭代中的所有任务完成。HetCompute还提供了pfor_each的异步版本，即hetcompute::pfor_each_async（），它应该在计算可以继续时使用，因为它不需要循环中产生的数据，例如，重叠几个图像的去噪。有关hetcompute::pfor_each_async（）规范，请参阅HetCompute参考手册。