GPU架构
实时渲染的要求：高质量+速度快，要想做到能在质量上逼近离线渲染同时还要能在大多数平台上跑，就必须要优化，要去优化就涉及到shader是如何运行的，所以抽了个时间简单了解了一下GPU的架构以及shader的运行流程，这里做个总结。
和CPU做对比GPU只有很少的逻辑控制并且没有Cache，简单来说GPU的运行机制就是Raster Engine与SM之间的数据交换。
GPU大概结构
GPU被划分成多个GPC(Graphics Processing Cluster，图形处理簇)，每个GPC拥有多个SM（SMX、SMM，Streaming Multiprocessor 流式多处理器 是GPU的基础单元，隔壁AMD叫CU）和一个光栅化引擎(Raster Engine)，这些部件通过总线所连接。
Shader代码就是经过编译之后在SM上运行，一般来说SM越多性能也就越好，因为SM里面就包含着运算的单元：Core
GPU的数据储存在DRAM中，访问速度慢，CPU、GPU都可以访问。
SM的结构
里面的结构有：
- PolyMorph Engine：多边形引擎负责属性装配（attribute Setup）、顶点拉取(VertexFetch)、曲面细分、栅格化（这个模块可以理解专门处理顶点相关的东西）。
- 指令缓存（Instruction Cache）
- 2个Warp Schedulers：这个模块负责warp调度，一个warp由32个线程组成，warp调度器的指令通过Dispatch Units送到Core执行。
- 指令调度单元(Dispatch Units) 负责将Warp Schedulers的指令送往Core执行
- 128KB Register File（寄存器）
- 16个LD/ST（load/store）用来加载和存储数据
- Core （Core，也叫流处理器Stream Processor）
- 4个SFU（Special function units 特殊运算单元）执行特殊数学运算（sin、cos、log等）
- 内部链接网络（Interconnect Network）
- 64KB 共享缓存
- 全局内存缓存（Uniform Cache）
- 纹理读取单元(Tex)
- 纹理缓存（Texture Cache）存rendertexture的地方
在Shader中的语义，对应的就是GPU中缓存Buffer的位置，在需要计算时，会从固定位置找需要的数据。
GPU逻辑管线
- 程序在图形 API(DirectX 或 openGL）中进行绘图调用（drawcall）然后数据会被GPU可读编码后插入到Pushbuffer中。DC的瓶颈就是在这里出现的。
- 一段时间后或者显式刷新（explicit “flush” calls）后，驱动程序已在pushbuffer 中缓冲了足够的work并将其发送给 GPU 进行处理（在操作系统的某些参与下）。GPU 的Host Interface接收通过Front End处理。
- 数据完全到达GPU后，在图元分配器(Primitive Distributor)中开始工作分配，处理indexbuffer，将处理得到的三角形分成batch，发送给多个GPC。
在进入GPC之后：
- 在GPC中，每个SM中的Poly Morph Engine负责通过三角形索引(triangle indices)取出三角形的数据(vertex data)，即下图中的Vertex Fetch模块。
- 在获取数据之后，在SM中以32个线程为一组的线程束(Warp)来调度，来开始处理顶点数据。
处理完顶点数据之后：
- 运算结果会被Viewport Transform模块处理，三角形会被裁剪然后准备光栅化，GPU会使用L1和L2缓存来进行vertex-shader和pixel-shader的数据通信。
- 接下来这些三角形将被分割，再分配给多个GPC，三角形的范围决定着它将被分配到哪个光栅引擎(raster engines)，每个raster engines覆盖了多个屏幕上的tile。
- GPC上的光栅引擎(raster engines)在它接收到的三角形上工作，来负责这些这些三角形的像素信息的生成（同时会处理裁剪Clipping、背面剔除和Early-Z剔除）。
- 32个像素线程将被分成一组，或者说8个2x2的像素块，这是在像素着色器上面的最小工作单元，在这个像素线程内，如果没有被三角形覆盖就会被遮掩，SM中的warp调度器会管理像素着色器的任务。
值得注意的是Wrap中所需要的数据是合并一次生成，所以所有的core都执行完毕之后才会停止这一次的流处理，然后把数据传递给光栅化着色器。这就解释了为什么shader中要少用循环语句，特别是未知循环次数的循环语句，因为所有的core都需要等“运气最不好的那个core”执行完毕，这样一来就有可能会达到长的耗时。对于if else语句也是一样的，这个线程的结束不取决于条件真假，而取决于整个wrap何时结束。
然后也要少在shader里面做三角函数运算，可以看到SM里面只分配了四个做特殊函数运算的单元，他们和core之间还需要做数据交换。
GrabPass耗时的原因：GPU可以把当前要渲染的渲染到一个中间缓冲中，这就是一个texture，CPU需要拿到储存在缓冲的这个texture，然后又拷贝到GPU的另一个指定GPC中去参与运算，就是一个非常耗时的过程。（RenderToTexture的实现是：将FBO直接关联到GPU的Texture上，所以数据不需要拷贝回CPU）。
