計(jì)算機(jī)圖形學(xué)第十章基于GPU的圖形計(jì)算供《現(xiàn)代計(jì)算機(jī)圖形學(xué)基礎(chǔ)》配套使用1提綱圖形處理器GPU數(shù)值計(jì)算GPU快速建模GPU實(shí)時(shí)繪制21.1概念1.1.1

GraphicsProcessingUnit圖形處理器，由數(shù)以千計(jì)的更小、更高效的核心（專為同時(shí)處理多重任務(wù)而設(shè)計(jì)）組成的大規(guī)模并行計(jì)算架構(gòu)31.1概念1.1.1

GraphicsProcessingUnit硬件結(jié)構(gòu)Streamingprocessor(SP)：指令和任務(wù)處理的最基本單元Streamingmultiprocessor(SM)：多個(gè)SP和內(nèi)存、寄存器等資源Warp：執(zhí)行程序的調(diào)度單位軟件結(jié)構(gòu)Thread（線程）Block（線程塊）Grid（線程網(wǎng)格）1.1概念1.1.1

GraphicsProcessingUnitGPUvs.CPUGPU：?jiǎn)我恍裕姸郃LU，很少控制器，很少Cache，獨(dú)自寄存器CPU：通用性，很少ALU，較多控制器，眾多Cache，公用寄存器51.1概念1.1.2GPU并行處理利用眾多的計(jì)算核心，通過流式并行計(jì)算模式，同一時(shí)刻并行處理多個(gè)數(shù)據(jù)，解決極高的運(yùn)算密度、并發(fā)線程數(shù)量和頻繁地存儲(chǔ)器訪問等數(shù)據(jù)訪問和計(jì)算問題計(jì)算密集型任務(wù)：頻繁的寄存器運(yùn)算易于并行的任務(wù)：同時(shí)的數(shù)據(jù)處理61.1概念1.1.2GPU并行處理圖形學(xué)起源7光線跟蹤：forallpixels(i,j):Calculateraypointanddirectionin3dspace；ifrayintersectsobject: calculatelightingatclosestobject storecolorof(i,j)1.2GPU的發(fā)展1.2.1GPU發(fā)展第1代：3dfxVoodoo(1996)第一款3D游戲視頻卡幾何元素操作在CPU部分片元操作在GPU紋理映射Z-緩存81.2GPU的發(fā)展1.2.1GPU發(fā)展第2代：GeForce7500(1998)幾何元素操作轉(zhuǎn)移至GPU支持多種類型的紋理映射凹凸映射環(huán)境光映射使用AGP取代PCI進(jìn)行數(shù)據(jù)傳輸91.2GPU的發(fā)展1.2.1GPU發(fā)展第3代：GeForce3(2001)頂點(diǎn)著色器，第一次允許幾何操作GPU編程支持更多類型的紋理映射體紋理多重采樣101.2GPU的發(fā)展1.2.1GPU發(fā)展第4代：GeForce6(2003)完全GPU編程頂點(diǎn)著色器和片元著色器可直接訪問紋理內(nèi)存111.2GPU的發(fā)展1.2.1GPU發(fā)展第5代：GeForce8800(2006)通用計(jì)算目的的圖形處理器(GPGPU)出現(xiàn)引入幾何著色器(geometryshader)121.2GPU的發(fā)展1.2.2GPU計(jì)算能力的發(fā)展2008年~2017年，GPU計(jì)算能力提升7倍，而CPU計(jì)算能力僅提升不到2倍131.3CUDA的發(fā)展NVIDIA公司開發(fā)的并行計(jì)算平臺(tái)和編程模型CUDA指令集架構(gòu)（ISA）GPU顯卡內(nèi)部計(jì)算141.3CUDA的發(fā)展2010年以前CUDA1.0~3.0支持C語言和C++語言編程Fermi構(gòu)架的GPU151.3CUDA的發(fā)展2010年~2020年~CUDA11.0支持深度學(xué)習(xí)、高性能計(jì)算等Ampere構(gòu)架的GPU161.3CUDA的發(fā)展2020年~至今~CUDA12.0GPU底層訪問Hopper/AdaLovelace構(gòu)架的GPU17提綱圖形處理器GPU數(shù)值計(jì)算GPU快速建模GPU實(shí)時(shí)繪制182.1原理一般準(zhǔn)則19程序代碼+GPUCPUUseGPUtoParallelize計(jì)算密集型任務(wù)RestofSequentialCPUCode2.1原理GPU執(zhí)行任務(wù)(CUDA)內(nèi)核(kernel)被喚醒，任務(wù)被分解為線程(thread)線程在GPU內(nèi)以線程網(wǎng)格(grid)和塊(block)的形式組織三維數(shù)組形式每一個(gè)格指定一個(gè)內(nèi)核20dim3dimBlock(8,8,8);dim3dimGrid(100,100,1);Kernel<<<dimGrid,dimBlock>>>(…);However,we'lloftenonlyworkwith1

dimensionalgridsandblockse.g.Kernel<<<block_count,block_size>>>(…);線程數(shù)=格數(shù)x塊數(shù)2.1原理GPU執(zhí)行任務(wù)(CUDA)內(nèi)核(kernel)被喚醒，任務(wù)被分解為線程(thread)線程在GPU內(nèi)以線程網(wǎng)格(grid)和塊(block)的形式組織三維數(shù)組形式每一個(gè)網(wǎng)格指定一個(gè)內(nèi)核每一個(gè)塊指定一個(gè)SM在SM內(nèi)部，塊分解為執(zhí)行共同指令的線程包(warp)在SM內(nèi)部，所有包同時(shí)執(zhí)

行212.1原理GPU執(zhí)行任務(wù)(CUDA)22GPU心臟調(diào)度單位2.1原理GPU執(zhí)行任務(wù)(CUDA)內(nèi)存組成全局內(nèi)存：globalmem共享內(nèi)存：sharedmem局部?jī)?nèi)存：localmem寄存器：register23GPU核心：NVIDIA全局內(nèi)存：SAMSUNGNvidiaGeForceGTX7802.1原理GPU執(zhí)行任務(wù)(CUDA)內(nèi)存訪問全局內(nèi)存：網(wǎng)格共享內(nèi)存：塊局部?jī)?nèi)存：線程寄存器：線程242.2通用數(shù)值計(jì)算并行計(jì)算例：數(shù)組遞增a[i]+125定義一維塊的大小定義網(wǎng)格的數(shù)目線程的索引2.2通用數(shù)值計(jì)算并行計(jì)算例：數(shù)組遞增a[i]+126數(shù)組大小a[34603008]CPU:156毫秒Intel(R)Core(TM)i5-2400CPU@3.10GHz3.10GHzGPU:49毫秒塊：256（一維）網(wǎng)格：32（一維）NVIDIAQuadro20002.2通用數(shù)值計(jì)算并行計(jì)算例：矩陣相加

a[i][j]+b[i][j]27定義2維塊和每個(gè)塊的二維線程集合每個(gè)線程認(rèn)定操作的矩陣元素對(duì)象2.2通用數(shù)值計(jì)算并行計(jì)算例：矩陣相加

a[i][j]+b[i][j]28矩陣大小5120x5120CPU:203毫秒Intel(R)Core(TM)i5-2400CPU@3.10GHz3.10GHzGPU:70毫秒塊：256x256（二維）網(wǎng)格：20x20（二維）NVIDIAQuadro2000提綱圖形處理器GPU數(shù)值計(jì)算GPU快速建模GPU實(shí)時(shí)繪制293.1基于GPU加速的NURBS建模思想利用GPU提高B樣條基函數(shù)計(jì)算效率。正向計(jì)算：通過已知的參數(shù)值u和v，求解NURBS曲面上對(duì)應(yīng)點(diǎn)的三維坐標(biāo)(x,y,z)303.1基于GPU加速的NURBS建模思想采用一維或二維紋理存儲(chǔ)節(jié)點(diǎn)向量、控制頂點(diǎn)、權(quán)重因子等通過片元著色器實(shí)現(xiàn)GPU編程313.2基于GPU加速的泊松重建思想利用GPU的高效運(yùn)算能力，設(shè)計(jì)構(gòu)建一個(gè)特殊的八叉樹，并將其與泊松表面重構(gòu)算進(jìn)行結(jié)合，實(shí)現(xiàn)了高效的表面重建323.2基于GPU加速的泊松重建方法利用GPU，實(shí)時(shí)構(gòu)建八叉樹，按層構(gòu)建，每層節(jié)點(diǎn)同時(shí)構(gòu)建33vertex數(shù)組：v.nodes記錄所有使用頂點(diǎn)v的八叉樹節(jié)點(diǎn)edge數(shù)組：記錄邊的兩個(gè)頂點(diǎn)face數(shù)組：記錄面的四條邊node數(shù)組：xyzkey：從根節(jié)點(diǎn)到深度為D的一個(gè)節(jié)點(diǎn)的路徑為：x1y1z1x2y2z2···xDyDzDSamplepoints：對(duì)每個(gè)節(jié)點(diǎn)t，記錄其包含的節(jié)點(diǎn)數(shù)t.pnum，及第一個(gè)包含的子節(jié)點(diǎn)的索引t.pidxConnectivityPointers：記錄父親，8個(gè)孩子，27個(gè)鄰居（包括自己），頂點(diǎn)，邊，面x,y,z0:軸負(fù)方向1:軸正方向3.2基于GPU加速的泊松重建方法將泊松表面重建算法與八叉樹結(jié)合，在GPU上快速計(jì)算Laplacian方程，并提取網(wǎng)格34構(gòu)建Laplacian方程Lx=b利用multigridsolver計(jì)算線性方程組計(jì)算等值面利用marchingcube方法提取網(wǎng)格GPU箱函數(shù)3.2基于GPU加速的泊松重建方法將泊松表面重建算法與八叉樹結(jié)合，在GPU上快速計(jì)算Laplacian方程，并提取網(wǎng)格35構(gòu)建Laplacian方程Lx=b利用multigridsolver計(jì)算線性方程組計(jì)算等值面利用marchingcube方法提取網(wǎng)格GPUGPU共軛梯度法頂點(diǎn)并行計(jì)算標(biāo)量值葉節(jié)點(diǎn)并行抽取截面3.2基于GPU加速的泊松重建結(jié)果36點(diǎn)云：#216643重建時(shí)間：296ms點(diǎn)云：#259560重建時(shí)間：206ms提綱圖形處理器GPU數(shù)值計(jì)算GPU快速建模GPU實(shí)時(shí)繪制374.1基于GPU的光線跟蹤繪制思想利用GPU的線程并行處理，構(gòu)建KD樹數(shù)據(jù)結(jié)構(gòu)，提高光線跟蹤過程中幾何元素遍歷、求交、著色等處理384.1基于GPU的光線跟蹤繪制方法利用GPU構(gòu)建三維場(chǎng)景的KD樹表示，加速遍歷和求交運(yùn)算394.1基于GPU的光線跟蹤繪制結(jié)果（Demo）40GPUCPU4.2基于GPU的輻射度繪制思想輻射度繪制中，不同面片之間形式因子的計(jì)算和相應(yīng)輻射度數(shù)值的計(jì)算占據(jù)約90%的時(shí)間借助GPU提高形式因子計(jì)算效率414.2基于GPU的輻射度繪制思想采用輻射度紋理和殘差紋理內(nèi)存來記錄面片上的輻射度數(shù)值借助片元著色器來做形式因子的計(jì)算424.2基于GPU的輻射度繪制結(jié)果