图形渲染与 Shader / 系统课时
如何减少采样噪声
如何减少采样噪声
同一场景连续跑几次,平均帧时间可能并不一致。后台任务、首次资源加载、缓存状态、热身阶段和玩家输入都会改变测量结果。本节的目标不是把所有波动消灭,而是固定可控条件、识别异常样本,让优化前后的差异真正反映代码和配置变化。
学习目标
- 识别游戏性能采样中最常见的噪声来源
- 建立包含热身、正式采样和异常检查的重复测量流程
- 用简单统计方法判断一次尖峰是否应该影响基线
先固定会改变结果的外部条件
开始比较两个版本前,应尽量让硬件、游戏设置和测试路径保持一致。分辨率、画质预设、垂直同步、帧率上限、窗口模式以及驱动版本都会改变 CPU 或 GPU 的负载,因此不能一边修改这些条件,一边把帧时间变化归因于代码优化。
后台程序同样会制造噪声。浏览器视频、文件同步、系统更新、杀毒扫描和编译任务都可能短暂抢占 CPU、磁盘或显存。正式采样前应关闭明显的高负载任务,并确认系统没有正在进行大规模下载或更新,而不是看到一次异常帧就立即修改游戏代码。
把首次加载和热身帧移出正式区间
第一次进入场景时,游戏可能正在编译着色器、创建管线状态、读取纹理、填充文件缓存或初始化对象池。若第一次运行和后续运行混在一起统计,最终得到的平均值会同时描述“冷启动”和“稳定运行”,很难用于版本比较。
更可靠的流程是先进入目标场景并按固定路径运行一遍,等待资源加载和主要初始化结束,再从同一起点开始正式采样。每次重新启动进程都需要重新判断哪些缓存会失效;如果测试目标本来就是首次加载,则应单独建立冷启动基线,而不是把它混入稳态帧时间。

固定输入和场景路径
性能测试中最容易被忽略的是输入差异。一次测试停在原地,另一次快速转动镜头,即使程序版本完全相同,GPU 可见对象数量、阴影更新和资源流送压力也可能完全不同。涉及 AI、物理或大量单位的场景,还要注意随机种子和对象初始状态。
可以为每个基线场景定义固定起点、持续时间和输入序列。例如进入“城市夜景”存档后等待 10 秒,再沿固定路线移动 60 秒,并规定镜头方向。如果无法完全自动化,至少要把人工操作写成可以重复执行的步骤,并进行多轮采样。
用统计结果识别孤立尖峰
单独观察平均值容易被一次异常尖峰拉高。下面的 Python 示例使用一组帧时间,先计算中位数,再把超过中位数 1.5 倍的样本列为待调查异常值。这个阈值只是演示,真实项目应根据场景和采样策略预先确定,不能测完以后再调整到自己想要的结果。
from statistics import mean, median
frame_times_ms = [16.4, 16.7, 16.5, 16.6, 28.0, 16.5, 16.4, 16.6, 16.5, 16.7]
mid = median(frame_times_ms)
threshold = mid * 1.5
kept = [value for value in frame_times_ms if value <= threshold]
outliers = [value for value in frame_times_ms if value > threshold]
print(f"median={mid:.2f} ms")
print(f"kept={len(kept)}/{len(frame_times_ms)}")
print(f"mean_kept={mean(kept):.2f} ms")
print(f"outliers={outliers}")预期输出:
median=16.55 ms
kept=9/10
mean_kept=16.54 ms
outliers=[28.0]这里的 28.0 ms 只能被标记为待调查样本,不能仅凭数值大就认定它无效。如果每轮测试都在相同位置出现类似尖峰,它更可能是真实性能问题;如果只在某一轮恰逢后台任务运行时出现,才有理由将其作为环境干扰处理。
让多轮结果而不是单次成绩成为基线
正式测试至少应重复多轮,并同时保存平均帧时间、较高百分位帧时间或 1% Low 等指标。若不同轮次的结果仍然大幅分散,应先检查环境和测试路径,而不是马上比较两个版本。只有测试流程自身足够稳定,几毫秒甚至更小的优化收益才有可信度。
一个可靠的基线并不是“最快的一次”,而是在相同条件下能够反复得到接近结果的一组测量。固定环境、隔离冷启动、完成热身、统一输入,再对异常尖峰追根溯源,才能避免把采样噪声误认为性能提升或性能回退。