优化计算着色器

Question

在过去的几个月中，我一直在OpenGL中的计算着色器中进行许多不同的计算。有些工作正常，有些工作很慢，有些我可以在某种程度上进行优化，另一些我再也无法优化。

我一直在玩下面的简单代码（n粒子之间的引力），只是为了找到一些有关如何提高性能的策略，但绝对没有任何作用：

#version 450 core

uniform uint NumParticles;

layout (std430, binding = 0) buffer bla
{
    double rIn[];
};

layout (std430, binding = 1) writeonly buffer bla2
{
    double aOut[];
};


layout (local_size_x = 128, local_size_y = 1, local_size_z = 1) in;


void main()
{
    int n;
    double dist3, dist2;
    dvec3 a, diff, r = dvec3(rIn[gl_GlobalInvocationID.x * 3 + 0], rIn[gl_GlobalInvocationID.x * 3 + 1], rIn[gl_GlobalInvocationID.x * 3 + 2]);

    a.x = a.y = a.z = 0;
    for (n = 0; n < NumParticles; n++)
    {
        if (n != gl_GlobalInvocationID.x)
        {
            diff = dvec3(rIn[n * 3 + 0], rIn[n * 3 + 1], rIn[n * 3 + 2]) - r;
            dist2 = dot(diff, diff);
            dist3 = 1.0 / (sqrt(dist2) * dist2);
            a += diff * dist3;
        }
    }
    aOut[gl_GlobalInvocationID.x * 3 + 0] = a.x;
    aOut[gl_GlobalInvocationID.x * 3 + 1] = a.y;
    aOut[gl_GlobalInvocationID.x * 3 + 2] = a.z;
}

我强烈怀疑它是很多内存访问会减慢此代码的速度。因此，我尝试的一件事是将共享变量作为“缓冲区”，然后让第一个线程（gl_localinvocationid.x == 0）读取第一个（例如）1024个粒子，让所有线程都执行他们的工作计算，然后是下一个1024。这使代码减慢了2-3倍。我尝试过的另一件事是将粒子坐标放在一个均匀的阵列中（最多可用于1024个粒子，我使用的是更多 - 因此，这只是为了看，如果它有所不同），这绝对没有改变。

我可以为上述示例提供一些代码，但我认为这不会有帮助。

我知道可以做出较小的改进（例如，使用inversesqrt而不是1.0/sqrt，而不是计算粒子n ＆lt; - ＆gt; <- em>粒子m m ＆lt; - ＆gt; 。

那么，有人能给我任何提示我如何提高此代码性能的提示吗？我真的找不到有关如何提高计算着色器的性能的任何在线上的任何东西，因此，任何一般建议（不一定仅针对此代码）将不胜感激。

Answer 1

对于GPU并行性来说，定义的操作似乎不是一个很好的操作。在内存访问方面，它非常饥饿，因为一个粒子的完整处理需要读取系统中其他每个粒子的数据。

如果要保留算法，则可以更优化地实现它。就目前而言，每个工作项都会一次为特定粒子的处理一次。这是一次大量的内存操作。

取而代之的是，将粒子分成块，大小用于工作组。每个工作组都在源粒子和一个测试粒子块（可能是相同的块）上运行。测试粒子应加载到共享内存中，因此每个工作组都可以快速读取测试数据。因此，一个工作组仅对每个源粒子块进行一部分测试。

现在的最大困难是编写数据。由于多个工作组可能是将附加的力写入相同的源粒子，因此您需要使用某些机制将原​​子递增的源粒子数据递增或将数据写入临时存储器缓冲区。第二个计算着色器过程可以在临时缓冲区上运行，并将数据组合在还原过程中。