1.展開循環
如果提前知道了循環的次數，可以進行循環展開，這樣省去了循環條件的比較次數。但是同時也不能使得kernel代碼太大。
循環展開代碼例子：
1 #include<iostream> 2 using namespace std; 3 4 int main(){ 5 int sum=0; 6 for(int i=1;i<=100;i++){ 7 sum+=i; 8 } 9 10 sum=0; 11 for(int i=1;i<=100;i=i+5){ 12 sum+=i; 13 sum+=i+1; 14 sum+=i+2; 15 sum+=i+3; 16 sum+=i+4; 17 } 18 return 0; 19 }
2.避免處理非標准化數字
OpenCL中非標准化數字，是指數值小於最小能表示的正常值。由於計算機的位數有限，表示數據的范圍和精度都不可能是無限的。(具體可以查看IEEE 754標准，http://zh.wikipedia.org/zh-cn/IEEE_754)
在OpenCL中使用非標准化數字，可能會出現“除0操作”，處理很耗時間。
如果在kernel中“除0”操作影響不大的話，可以在編譯選項中加入-cl-denorms-are-zero，如：
clBuildProgram(program, 0, NULL, "-cl-denorms-are-zero", NULL, NULL);
3.通過編譯器選項傳輸常量基本類型數據到kernel，而不是使用private memory
如果程序中需要給kernel 傳輸常量基本類型數據，最好是使用編譯器選項，比如宏定義。而不是，每個work-item都定義一個private memory變量。這樣編譯器在編譯時，會直接進行變量替換，不會定義新的變量，節省空間。
如下面代碼所示(Dmacro.cpp)：
1 #include<stdio.h> 2 int main() 3 { 4 int a=SIZE; 5 printf("a=%d, SIZE=%d\n",a,SIZE); 6 return 0; 7 }
編譯：
g++ -DSIZE=128 -o A Dmacro.cpp
4.如果共享不重要的話，保存一部分變量在private memory而不是local memory
work-item訪問private memory速度快於local memory，因此可以把一部分變量數據保存在private memory中。當然，當private memory容量滿時，GPU硬件會自動將數據轉存到local memory中。
5.訪問local memory應避免bank conflicts
local memory被組織為一個一個的只能被單獨訪問的bank，bank之間交叉存儲數據，以便連續的32bit被保存在連續的bank中。如下圖所示：
(1)如果多個work-item訪問連續的local memory數據，他們就能最大限度的實現並行讀寫。
(2)如果多個work-item訪問同一個bank中的數據，他們就必須順序執行，嚴重降低數據讀取的並行性。因此，要合理安排數據在local memory中的布局。
(3)特殊情況，如果一個wave/warp中的線程同時讀取一個local memory中的一個地址，這時將進行廣播，不屬於bank 沖突。
6.避免使用”%“操作
"%"操作在GPU或者其他OpenCL設備上需要大量的處理時間，如果可能的話盡量避免使用模操作。
7.kernel中重用(Reuse) private memory，為同一變量定義不同的宏
如果kernel中有兩個或者以上的private variable在代碼中使用(比如一個在代碼段A，一個在代碼段B中)，但是他們可以被數值相同。
也就是當一個變量用作不同的目的時，為了避免代碼中的命名困惑，可以使用宏。在一個變量上定義不同的宏。
如下面代碼所示：
1 #include<stdio.h> 2 int main(){ 3 int i=4; 4 #define EXP i 5 printf("EXP=%d\n",EXP); 6 7 #define COUNT i 8 printf("COUNT=%d\n",COUNT); 9 getchar(); 10 return 0; 11 }
8.對於(a*b+c)操作，盡量使用 fma function
如果定義了“FP_FAST_FMAF”宏，就可以使用函數fma(a,b,c)精確的計算a*b+c。函數fma(a,b,c)的執行時間小於或等於計算a*b+c。
9.在program file 文件中對非kernel的函數使用inline
inline修飾符告訴編譯器在調用inline函數的地方，使用函數體替換函數調用。雖然會使得編譯后的代碼占用memory增加，但是省去了函數調用時上下、函數調用棧的切換操作，節省時間。
10.避免分支預測懲罰，應該盡量使得條件判斷為真的可能性大
現代處理器一般都會進行“分支預測”，以便更好的提前“預取”下一條要執行的指令，使得“取指令、譯碼分析、執行、保存”盡可能的並行。
在“分支預測”出錯時，提前取到的指令，不是要執行的指令，就需要根據跳轉指令，進行重新取指令，就是“分支預測懲罰”。
看如下的代碼：
1 #include<stdio.h> 2 int main() 3 { 4 int i=1; 5 int b=0; 6 if(i == 1) 7 b=1; 8 else 9 b=0; 10 return 1; 11 }
對應的匯編代碼：
(movl 賦值，cmpl 比較，jne 不等於跳轉，jmp 無條件跳轉)
從上面的匯編指令代碼看出，如果比較(<main+24>)結果相等，則執行<main+26>也就是比較指令的下一條指令，對應b=1順序執行；如果比較(<main+24>)結果不相等，則執行跳轉到<main+35>，不是順序執行。
當然，有的處理器可能會根據以往“順序執行”與“跳轉執行”的比例來進行分支預測，但是這也是需要積累的過程。況且並不是，每個處理器多能這樣只能。
本文：http://www.cnblogs.com/xudong-bupt/p/3630952.html
最后，上面的10個tips，能過提升kernel函數的性能，但是你應該進行具體的性能分析知道程序中最耗時的地方在哪里。當然了，只有通過實驗才能真正學會OpenCL高性能編程。