图形渲染与 Shader / 系统课时

怎样做优化前后回归

怎样做优化前后回归

一次性能优化跑得更快,不代表它已经可以合入。LOD 距离、批次、材质和加载策略的调整都可能在其他视角或其他设备上产生退化。本课建立固定基线、版本记录和测试条件,并用重复采样判断提升是否稳定。

学习目标

  • 建立能够重复执行的优化前性能基线
  • 固定设备、场景、路线和采样方法,减少测试噪声
  • 同时检查性能收益和画面、内存、加载等回归风险

先冻结一份可比较的基线

开始修改前,先记录当前版本,而不是优化完成后再凭印象寻找“之前的数据”。基线至少要包含构建版本、设备、画质档位、测试场景、相机路线和核心指标。

例如同一大型场景可以固定一条 60 秒移动路线,包含远景俯视、建筑密集区、植被区和快速转向。优化前后都从同一出生点开始,使用相同画质、分辨率和资源缓存状态执行。

项目 基线条件
设备 同一型号与系统版本
构建 Release 或等价性能构建
分辨率 固定,不启用动态分辨率
场景 同一地图与内容版本
路线 固定相机轨迹
采样 预热后重复 5 次

固定测试条件再比较版本

性能测试最容易出现的误判,是优化前后实际测的不是同一件事。比如第一次测试刚进入场景,第二次测试资源已经缓存;或者一次开启垂直同步,另一次关闭;这些差异可能比优化本身造成的变化还大。

测试前应固定以下条件:设备电源和性能模式一致,后台应用尽量一致;构建配置、画质档位和分辨率一致;场景内容与相机路线一致;每轮都采用相同的预热规则;重复相同次数并保留原始数据。

对于波动较大的大型场景,不要只比较一次运行的平均值。至少同时观察典型值与较差区间,例如中位帧时间和高分位帧时间。如果优化后平均值下降,但卡顿峰值明显增加,这仍然可能是一次失败的修改。

用重复采样避免偶然结论

下面的 Python 示例使用 5 次固定路线测试的平均帧时间,比较优化前后数据,并计算变化百分比。真实项目还应结合更细的帧分布和性能分析器数据判断根因。

python
baseline_ms = [18.4, 18.1, 18.7, 18.3, 18.5]
optimized_ms = [15.9, 16.1, 15.8, 16.0, 15.7]

baseline_avg = sum(baseline_ms) / len(baseline_ms)
optimized_avg = sum(optimized_ms) / len(optimized_ms)
change = (optimized_avg - baseline_avg) / baseline_avg * 100

print(f"baseline_avg={baseline_avg:.2f} ms")
print(f"optimized_avg={optimized_avg:.2f} ms")
print(f"change={change:.1f}%")

预期输出:

text
baseline_avg=18.40 ms
optimized_avg=15.90 ms
change=-13.6%

负值表示平均帧时间下降。这里可以确认测试样本整体变快,但还不能直接宣布回归通过,因为性能之外仍要检查资源峰值和视觉正确性。

同时检查没有被优化掉的东西

LOD 优化经常通过降低资源消耗换取性能,因此回归表不能只放 FPS。至少应检查 LOD 切换是否出现明显跳变、物体是否提前消失、阴影和材质是否错误,以及运行时内存和加载峰值有没有异常增长。

例如把远处模型进一步简化后,GPU 时间可能下降,但如果新的 LOD 资源重复占用纹理,内存反而可能增加。调整异步加载后,平均帧时间可能改善,却可能在快速移动时出现资源来不及加载的问题。这些都属于需要和性能数据一起验收的回归项。

给每次优化留下版本记录

建议每次测试记录提交版本、改动说明、各指标结果和最终判断。若一次修改包含多个优化手段,应尽量拆分测试,否则数据变好之后很难知道具体是哪一项产生作用,也难以定位后续退化来源。

当结果出现明显变化时,先重复测试确认可复现,再进入性能分析器寻找 CPU、GPU、资源加载或内存方面的证据。只有测试条件一致、重复结果稳定,并且性能收益没有伴随新的视觉或资源问题,这次优化才真正完成了回归验证。

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

怎样做优化前后回归

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