Adding final comments

test_gpu.py

@@ -7,11 +7,12 @@ b_np = np.random.rand(50000).astype(np.float32)
 ctx = cl.create_some_context()#C'est la "table de jeu". Permet aux devices de recevoir les kernels et de transferer les données
 queue = cl.CommandQueue(ctx)#Permet de créer la queue de commandes dans le context
 
-mf = cl.mem_flags
-print(mf.to_string(1))
-a_g = cl.Buffer(ctx, mf.READ_ONLY | mf.COPY_HOST_PTR, hostbuf=a_np)
+mf = cl.mem_flags #specifie comment la mémoire doit être gérée et utilisée
+#print(mf.to_string(1))
+a_g = cl.Buffer(ctx, mf.READ_ONLY | mf.COPY_HOST_PTR, hostbuf=a_np)#espace de mémoire temporaire. Ce sera une allocation de mémoire sur un periph (gpu) pour stocker les données qui seront utilisées dans des calculs parallèles
 b_g = cl.Buffer(ctx, mf.READ_ONLY | mf.COPY_HOST_PTR, hostbuf=b_np)
 
+#creation du programme
 prg = cl.Program(ctx, """
 __kernel void sum(
     __global const float *a_g, __global const float *b_g, __global float *res_g)
@@ -21,14 +22,14 @@ __kernel void sum(
 }
 """).build()
 
-res_g = cl.Buffer(ctx, mf.WRITE_ONLY, a_np.nbytes)
-knl = prg.sum  # Use this Kernel object for repeated calls
-knl(queue, a_np.shape, None, a_g, b_g, res_g)
+res_g = cl.Buffer(ctx, mf.WRITE_ONLY, a_np.nbytes)#Crée un buffer dans le contexte allouant de la mémoire sur le gpu pour stocker les resultats du calcul. Comme "WRITE-ONLY", il est destiné à stocker les données de sortie du noyau OpenCl
+knl = prg.sum#On defini knl afin d'appeler le noyau sum du programme qu'on a créé précédement
+knl(queue, a_np.shape, None, a_g, b_g, res_g)#execute le noyau sum sur le GPU à l'aide de la queue
 
-res_np = np.empty_like(a_np)
-cl.enqueue_copy(queue, res_np, res_g)
+res_np = np.empty_like(a_np)#Crée un tableau numpy de même dimension que a_np mais vide afin de stocker les résultats du calcul
+cl.enqueue_copy(queue, res_np, res_g)#Copie les données depuis le buffer sur le petipherique (GPU) vers le tableau res_np
 
 # Check on CPU with Numpy:
-print(res_np - (a_np + b_np))
-print(np.linalg.norm(res_np - (a_np + b_np)))
-assert np.allclose(res_np, a_np + b_np)
+print(res_np - (a_np + b_np))#Permet de voir si les donées ont été exportées correctement dans le tableau res_np en checkant la difference entre le tableau et les deux variables du départ. Ca doit etre egal à 0.
+print(np.linalg.norm(res_np - (a_np + b_np)))#Calcul la norme L2 de la difference entre res_np et (a_np + b_np). Si les deux vecteurs sont identique, ça devrait etre egal à 0. Ca nous donne une mesure de l'erreur entre les resultats du noyau OpenCl et les resultats attendus
+assert np.allclose(res_np, a_np + b_np)#Compare les tableaux et verifie s'ils sont suffisament proches les uns des autres. S'ils le sont, le programme tourne normalement sinon, l'assertion renvoie un message d'echec.