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。

python
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。

text
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。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

怎样建立后处理性能基线

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通