pyopencl.enqueue_nd_range_kernel(
    queue, #(1)
    kernel, #(2)
    global_work_size, #(3)
    local_work_size, #(4)
    global_work_offset=None, #(5)
    wait_for=None, #(6)
    g_times_l=False) #(7)

enqueue_nd_range_kernel関数を実装する際に一番判断に迷うのは、以下の３つの引数です。

オフセットは作業したいデータの位置や、アルゴリズムの設計により恣意的に開発者が決めるものですが、原則として(0,0,0)で支障はないかと思います。

グローバルワークサイズ引数についても同様ですが、一般にワークサイズは２の冪乗としてください。これはプロセッサの演算ユニットをなるべき多く使うための最も基本的な処方箋です。プロセッサを有効に使うためには、できるだけ多くのグローバルワークサイズ引数があったほうが良いです。

ローカルワークサイズ引数は、IntelのGPUであれば64〜128個とします。ローカルワークサイズを決定する際に覚えておきたい点は、ローカルワークサイズは、ワークグループ数を決めるということです。

例えば1024個のグローバルワークサイズに対して、128個のワークグループ数を考えてみましょう。この場合のワークグループ数は8個（1024/128）となります。しかしローカルワークサイズが大きいと、共有ローカルメモリのサイズが肥大化して、推奨されるメモリ使用量の閾値（Intelは4K）を超える可能性が高くなります。

import pyopencl as cl
import numpy as np

data = np.arange(16).astype(np.int32)

ctx = cl.Context([cl.get_platforms()[0].get_devices()[0]])
queue = cl.CommandQueue(ctx)
mf = cl.mem_flags
data_mem = cl.Buffer(ctx, mf.USE_HOST_PTR, hostbuf=data)

program = cl.Program(ctx, """
    __kernel void square(__global int* data) {
        size_t gid = get_global_id(0);
        data[gid] *= data[gid];
    }
    """).build()

program.square(queue, (16,), (4,), data_mem)
# program.square(queue, np.array([16,1,1]), np.array([1,1,1]) None)

cl.enqueue_copy(queue, data, data_mem)

print(data)

[0   1   4   9  16  25  36  49  64  81 100 121 144 169 196 225]

enqueue_taskはenqueue_nd_range_kernel関数がデータ並列プログラミングを指すのと対比して、異なるタスクを並列で処理させるために使うことができます。

通常のマルチスレッドプログラミングのOpenCLバージョンと考えて頂くと分かりやすいかと思います。

pyopencl.enqueue_task(
    queue, #(1)
    kernel, #(2)
    wait_for=None) #(3)