可変長ループがGPUシェーダーに与える影響

デモシーンなど、GPU内で手続き型コンテンツをレンダリングするのが一般的です（画面いっぱいに1つの四角形を描画し、GPUにピクセルを計算させる）。

レイマーチングが人気です：

これは、GPUがピクセルごとに不明な数のループ反復を実行していることを意味します（ただし、のような上限を設定できますmaxIterations）。

可変長ループがあると、シェーダーのパフォーマンスにどのような影響がありますか？

単純なレイマーチングの擬似コードを想像してみてください。

t = 0.f;
while(t < maxDist) {
    p = rayStart + rayDir * t;
    d = DistanceFunc(p);
    t += d;
    if(d < epsilon) {
       ... emit p
       return;
    }
}

さまざまな主流のGPUファミリ（Nvidia、ATI、PowerVR、Mali、Intelなど）はどのように影響を受けますか？頂点シェーダー、特にフラグメントシェーダー？

どのように最適化できますか？

GDC 2012でGPU距離フィールドレイマーチング（およびその他のトピック）についての素晴らしい講演がありました：http : //directtovideo.wordpress.com/2012/03/15/get-my-slides-from-gdc2012/

パフォーマンスに関する限り、最新の（DX11クラス）グラフィックスカードは、32（NVIDIA）または64（AMD）の「スレッド」をロックステップで実行するSIMDユニットでシェーダーを実行します。これらのグループは、ワープまたはウェーブフロントとしてさまざまに知られています。ピクセルシェーダーの場合、各スレッドは1ピクセルに相当するため、SIMDユニットがピクセルの8x4（NVIDIA）または8x8（AMD）ブロックのようなものを一緒に処理していると思います。分岐とフロー制御は波面ごとに行われるため、波面内のすべてのスレッドは、その波面内の最も深い個々のピクセルと同じ回数だけループする必要があります。SIMDレーンマスクは、すでに終了したピクセルの実行をオフにしますが、波面のフロー制御全体を静かに実行する必要があります。これはもちろん、分岐が一貫している場合、システムがはるかに効率的であることを意味します。

私の経験では、波面のすべてのスレッドが同じように分岐しても、分岐オーバーヘッドは依然としてかなり高いです。ループを展開して分岐オーバーヘッドの一部を償却することにより、パフォーマンスが向上する場合があります。ただし、それはもちろん、各ループ反復で実行している作業量によって異なります。ループ本体に十分な「もの」が含まれている場合、アンロールしても成功しません。

テラフロップでコードを実行する：SIGGRAPH 2008：Beyond Programmable ShadingのGPUシェーダーコアの仕組み（pdf）を読むことをお勧めします。動的分岐について説明します。

動的分岐に関しては、もう1つ注意点があります（明白かもしれませんが、一部の人にとっては注目に値するかもしれません）：展開されたループのパフォーマンスに深刻な影響を与える可能性があります（繰り返し数が一定でない場合、ループを展開できません） 。

int s = 0;

ここでfor（int k = 1; k <= n; k ++）{s + = k;}はs = n *（n + 1）/ 2と同じです

そのため、一般的には当てはまりません：D