我有一个处理立方体（3D 图像，准确地说是光谱立方体）的 GPU/CUDA 代码。把立方体想象成一系列图像/切片，或者，一堆具有不同空间位置（在正方形上）的光谱。图像的每个像素具有不同的 x、y 值和相同的 z。光谱上的每个像素具有相同的 x,y 但不同的 z。多维数据集的内存以某种方式对齐，以便两个连续的内存地址对应于 x 和 x+1。
在我的 CUDA 代码中，我将每个 CUDA 线程配置为处理不同的频谱。这样我就可以实现全局内存合并。然后我将此代码移植到 Intel Phi (#pragma offload+OpenMP)。就像在 GPU 的情况下，我有每个 Phi 核心来处理不同的频谱。因此，这里也实现了内存合并。但是，性能很差。
- 我认为问题在于，尽管我与全局内存合并，但每个光谱中的像素不在连续的内存地址上，因此，Phi 的矢量化并没有提供任何性能改进。（请记住，每个核心都会在相关频谱上进行某种缩减；更准确地说，它会计算一阶、二阶和三阶矩）。这个想法有意义吗？
- 如果我没记错的话，为了从 SIMD 中获得性能，你的内存地址必须是连续的，对吧？
- 因此，在 Xeon phi 上似乎不可能实现完美的内存合并全局内存并同时充分利用 SIMD。这是有道理的还是我完全错了？
PS：我使用的是英特尔至强融核 7120