图形渲染与 Shader / 系统课时
怎样建立后处理性能基线
怎样建立后处理性能基线
后处理优化不能从“看起来有点慢”开始。先固定场景、相机、分辨率和特效参数,再记录同一条件下的 GPU 时间、采样次数与读写规模,才能知道某次调整究竟是变快了,还是只是测试条件发生了变化。
学习目标
- 建立可重复的后处理性能基线测试条件
- 记录并解读 GPU 时间、采样数与内存带宽相关指标
- 用同一套采样方法比较优化前后的真实变化
先把测试条件固定下来
性能基线的第一原则是“可重复”。同一条后处理链,如果分辨率、镜头内容、动态分辨率或参数不同,GPU 时间就不能直接比较。建议保存一个专门的基准场景,并固定相机位置、曝光、Bloom 阈值、景深焦点和调色参数。
至少要锁定输出分辨率与渲染比例、垂直同步与帧率上限、动态分辨率、相机路径、后处理开关和特效质量档。测试前还应先运行一段时间,让 Shader、纹理和资源缓存进入稳定状态,避免首次编译或资源加载污染采样。
记录真正影响后处理成本的指标
后处理首先是 GPU 工作,因此总帧时间只能作为背景信息。最关键的是后处理阶段自身的 GPU 时间,同时配合纹理采样次数、Pass 数量、中间 Render Target 的尺寸和格式理解成本来源。
一个 1920×1080 的全屏 Pass 约处理 207 万像素。如果每个像素执行多次纹理采样,或者中间纹理使用高精度格式,带宽压力会迅速放大。降低处理分辨率通常会同时减少像素、采样与读写规模,因此 Bloom 模糊常在半分辨率甚至更低分辨率上执行。
| 指标 | 记录内容 | 主要用途 |
|---|---|---|
| 后处理 GPU 时间 | 稳定区间的平均值和高分位值 | 判断整条链是否超预算 |
| Pass 数量 | 实际执行的全屏或计算 Pass | 发现重复处理 |
| 纹理采样数 | 关键 Shader 的近似采样次数 | 定位采样密集型效果 |
| 中间纹理 | 尺寸、格式、数量 | 判断显存与带宽压力 |
| 输出分辨率 | 固定宽高和渲染比例 | 保证前后结果可比较 |
用固定样本生成基线报告
采样时不要只记一个平均值。平均值可能掩盖偶发尖峰,建议同时记录中位数和 95% 分位值。下面的 Python 脚本可以读取导出的逐帧 GPU 时间,并生成一份最小基线摘要。
import csv
import statistics
values = []
with open("postfx_gpu_ms.csv", newline="", encoding="utf-8") as f:
reader = csv.DictReader(f)
for row in reader:
values.append(float(row["gpu_ms"]))
values.sort()
p95_index = max(0, int(len(values) * 0.95) - 1)
print(f"samples={len(values)}")
print(f"avg_ms={statistics.fmean(values):.3f}")
print(f"median_ms={statistics.median(values):.3f}")
print(f"p95_ms={values[p95_index]:.3f}")假设 CSV 中共有 300 帧,数据稳定在约 2.4~2.9 ms,预期输出形式如下,实际数值会随采样文件而变化。
samples=300
avg_ms=2.612
median_ms=2.598
p95_ms=2.841这段脚本只负责汇总,不替代 GPU Profiler。postfx_gpu_ms.csv 应来自所用引擎或图形调试器的真实采样结果,并至少包含 gpu_ms 列。
用前后对比判断优化是否成立
建立基线后,每次只改变一个变量。例如把 Bloom 模糊从全分辨率调整为半分辨率,就保持镜头、景深、调色和其他参数不变,然后重新采样相同数量的帧。只有这样,GPU 时间变化才具有解释力。
如果平均 GPU 时间下降,但 95% 分位值反而升高,说明优化可能引入了偶发尖峰;如果 GPU 时间几乎不变,但中间纹理格式和尺寸减小,收益可能主要体现在显存与带宽余量。性能基线的价值不是得到一个漂亮数字,而是让每一次优化都能被复现、比较和解释。