图形渲染与 Shader / 系统课时

先分清 CPU 与 GPU 瓶颈

先分清 CPU 与 GPU 瓶颈

LOD 调整后帧率没有变化,并不一定说明优化失败,更常见的原因是你优化了错误的一侧。大型场景可能被 CPU 的对象遍历和提交限制,也可能被 GPU 的顶点、像素或阴影限制。本节用帧时间拆分建立最基本的定位顺序。

学习目标

  • 用 CPU 与 GPU 帧时间判断当前主要瓶颈
  • 理解为什么 FPS 不能直接说明瓶颈来源
  • 根据测量结果选择对象、网格或材质优化方向

先看毫秒,不要只看 FPS

FPS 是最终结果,但定位性能问题时应先看帧时间。60 FPS 对应约 16.67 ms,30 FPS 对应约 33.33 ms。只知道“当前 45 FPS”,并不能判断时间花在 CPU 还是 GPU。

对一帧来说,可以先记录 CPU Frame Time 与 GPU Frame Time。粗略判断时,较大的那一侧通常更接近当前限制因素。例如 CPU 为 19 ms、GPU 为 11 ms,继续降低远景三角形可能几乎没有收益,因为 GPU 本来就在等待 CPU。

CPU 与 GPU 帧时间决定最终帧耗时的关系

用拆分结果做第一轮判断

实际引擎的 CPU 与 GPU 会并行工作,还可能存在同步等待,因此不能简单把两个时间相加。但是在稳定场景中,比较它们仍然是非常有效的第一轮诊断方法。

测量现象 更可能的方向 优先检查
CPU 明显高于 GPU CPU 侧受限 可见对象数量、Draw Call、剔除、脚本更新
GPU 明显高于 CPU GPU 侧受限 三角形、材质、阴影、透明重叠、分辨率
两者都接近预算上限 双侧都紧张 分别做隔离实验,避免一次修改多个变量

这里的“更可能”不是最终结论。Profiler 中的等待、垂直同步、帧率限制器和异步计算都可能改变表面数据,因此还需要通过一次可控实验确认。

用简单数据练习分类

下面的 Python 示例读取几组测量值,并用 1.5 ms 的差值作为教学用阈值,将它们分成 CPU 受限、GPU 受限或接近。真实项目不应该把这个阈值写死,而应结合采样波动和目标帧预算判断。

python
def classify(cpu_ms, gpu_ms, threshold_ms=1.5):
    diff = cpu_ms - gpu_ms
    if diff > threshold_ms:
        return "CPU-bound"
    if diff < -threshold_ms:
        return "GPU-bound"
    return "mixed"

samples = [
    (19.2, 11.4),
    (8.7, 17.9),
    (15.8, 16.3),
]

for cpu_ms, gpu_ms in samples:
    result = classify(cpu_ms, gpu_ms)
    print(f"cpu={cpu_ms:.1f} gpu={gpu_ms:.1f} -> {result}")

预期输出:

text
cpu=19.2 gpu=11.4 -> CPU-bound
gpu=17.9 cpu=8.7 -> GPU-bound
cpu=15.8 gpu=16.3 -> mixed

上面的第二行输出顺序应保持和程序格式一致,因此实际运行结果是:

text
cpu=19.2 gpu=11.4 -> CPU-bound
cpu=8.7 gpu=17.9 -> GPU-bound
cpu=15.8 gpu=16.3 -> mixed

用隔离实验验证判断

如果怀疑 GPU 受限,可以临时大幅降低渲染分辨率、阴影质量或远景材质复杂度。帧时间随之明显下降,说明 GPU 假设更可信;如果几乎没有变化,就应该重新检查 CPU 侧。

如果怀疑 CPU 受限,可以临时减少远景对象数量、关闭一批对象更新或显著降低 Draw Call。CPU Frame Time 明显下降而 GPU 变化很小,说明优化方向正确。

完成第一轮分类后,再进入更细的阶段:CPU 侧继续区分脚本、剔除、渲染提交与同步等待;GPU 侧继续区分顶点、像素、阴影和带宽。先确定是哪一侧受限,才能让后续 LOD 调整真正对应性能预算,而不是盲目减面。

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

先分清 CPU 与 GPU 瓶颈

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