Một PRO lớn là số lượng nhà cung cấp đằng sau OpenCL. Tôi có một số kinh nghiệm về giai thoại này, đã gặp một nhóm nghiên cứu đã dành một lượng lớn thời gian và nỗ lực để phát triển mã CUDA khá phức tạp cho một hệ thống hỗ trợ NVIDIA. Một năm sau khi mã được phát triển, nhóm nghiên cứu đã truy cập vào hệ thống dựa trên AMD lớn hơn và nhanh hơn nhưng họ không thể sử dụng nó vì họ không có tài nguyên (con người) để chuyển mã.
Ngay cả khi bộ tính năng cốt lõi của CUDA và OpenCL gần như giống hệt nhau (như @JonathanDursi đã chỉ ra), nếu nhà phát triển ban đầu không phải là người được giao nhiệm vụ chuyển đổi mã, toàn bộ dự án porting có thể khá tốn thời gian.
Tuy nhiên, có một số sự không tương thích chính thức giữa CUDA và OpenCL. Đáng chú ý nhất là CUDA hỗ trợ các mẫu c ++ trong khi OpenCL chưa chính thức hỗ trợ chúng. Tuy nhiên, AMD đã nỗ lực để phát triển một phần mở rộng cho OpenCL với sự hỗ trợ cho các mẫu và các tính năng C ++ khác, thông tin thêm trong bài đăng này từ AMD dev centre . Tôi hy vọng bản sửa đổi OpenCL trong tương lai có thể thêm tác phẩm này.
Tại thời điểm này (đầu năm 2012), các thư viện tuyệt vời mà @MattKnepley liên kết là nguồn đóng hoặc sử dụng các mẫu, do đó, chúng sẽ không có sẵn cho phần cứng ngoài NVIDIA, ít nhất là trong thời gian đó.
Đối với ai đó đang học máy tính gpu, tôi sẽ nói rằng OpenCL C có thể khá khó khăn, vì có rất nhiều chi tiết khiến người học mất tập trung khỏi các ý tưởng cơ bản, trong khi CUDA thì đơn giản và dễ hiểu hơn. Tuy nhiên, có những công cụ giúp OpenCL đơn giản hơn để học và sử dụng như PyOpenCL (trình bao bọc python cho opencl) mang tất cả đường python vào OpenCL (lưu ý rằng cũng có PyCUDA). Chẳng hạn, bản demo PyOpenCL để thêm hai mảng chỉ dưới 25 dòng và nó bao gồm: tạo các mảng trên máy chủ và thiết bị, truyền dữ liệu, tạo bối cảnh và hàng đợi, kernel, cách xây dựng và thực thi kernel , nhận kết quả từ GPU và so sánh chúng với numpy (xem các liên kết bên dưới).
PyOpenCL - http://mathema.tician.de/software/pyopencl
PyCUDA - http://mathema.tician.de/software/pycuda
Đối với các lập trình viên gpu có kinh nghiệm, ở đây tôi đồng ý với @JonathanDursi, CUDA và OpenCL về cơ bản là giống nhau và thực sự không có sự khác biệt của thị trưởng. Hơn nữa, công việc khó khăn trong việc phát triển một thuật toán hiệu quả cho GPU là rất độc lập với ngôn ngữ và sự hỗ trợ OpenCL từ các nhà cung cấp và tài liệu giờ đã trưởng thành hơn nhiều so với 2 năm trước. Điểm duy nhất vẫn tạo ra sự khác biệt, đó là NVIDIA thực sự đang làm một số công việc tuyệt vời với sự hỗ trợ của họ cho cộng đồng CUDA.
OpenCL có thêm lợi ích là nó có thể chạy trên CPU và đã được Intel và AMD hỗ trợ. Vì vậy, bạn không cần thay đổi khung thuật toán nếu muốn tận dụng mọi lõi CPU có sẵn. Theo ý kiến của tôi, OpenCL là giải pháp tốt nhất cho một ứng dụng hướng CPU / đa lõi đơn vì hạt nhân được tối ưu hóa CPU có thể trông khác biệt đáng kể so với hạt nhân được tối ưu hóa GPU. Tuy nhiên, theo kinh nghiệm của tôi, phát triển CODE có lợi từ việc có thể chạy trên CPU.