移动GPU全解读（二）

【编者按】：本文作者为爱搞机特约作者、技术达人“炮神”@ioncannon。

在上一篇移动GPU解读中，对移动GPU的架构、相关參数进行了介绍，本部分介绍的则是移动GPU的Shader、GPU兼容性、“多核”的真相以及跑分问题。

说说被忽略的Shader

接下来我们回到Shader。Shader是GPU里负责计算的主要部分，同一时候占得面积最大。耗电也最多。

当今的桌面GPU往往都不再谈三角形生成率。或是像素填充率了，给的指标都是Shader的计算能力——GFLOPS。可见，Shader性能会越来越重要。

移动GPU也有着这种趋势。我们看一下Anandtech測试的各款GPU的GLBenchmark的Egypt HD 1080p Offscreen得分：

 右边的绿色数字是该GPU在FP16精度下大致的计算性能，单位为GFLOPS。

能够看到除去个别的GPU，Egypt成绩跟Shader计算能力的相关性还是比較明显的。

先做一点铺垫：

首先。对于浮点数做一次加法或者乘法，都算是一次操作。记作1 FLOPS。

浮点数是有一定的精度的，比方16bit的浮点数。精度就是FP16。再高一点的FP32就是32bit的浮点数。也就是常说的单精度；更高的就是64bit的双精度FP64了。一般来说，仅仅有FP32和FP64的操作才干算是FLOPS。

在移动平台的OpenGL ES里，能够指定高、中、低三种不同的精度。

对不同的GPU来说，高、中、低精度的实际值略有区别。

例如以下图所看到的：

对于Adreno和GC系列，不管何种选择何种精度，都会依照FP32精度进行计算。

而Mali-400和Tegra的ULP GeForce的Pixel Shader部分不支持高精度。最高仅仅支持中等的FP16精度。

绝大部分游戏的Pixel Shader计算都採用中等（FP16）的精度，而Vertex Shader的计算通常是FP32的精度。

其次，关于统一渲染架构（Unified Shader）和分离的渲染架构（Discrete Shader）。前者的Shader既能进行Vertex的计算，也能进行Pixel的计算，比如PowerVR。Adreno，GC系列。

后者的Vertex Shader和Pixel Shader是分开的。典型的比方Mali-400和ULP GeForce。相对来说，统一渲染架构的Shader利用率会高些，在遇到三角形特别多像素特别少，或者相反的情况下，Shader的计算能力不easy被浪费。

最后，因为顶点坐标（xyzw）和像素颜色（rgba）都具有四个属性，为了提高效率，Shader往往被设计成Vec4的SIMD，也就是能够对四个数据进行打包。然后用一条指令相同的处理。当然假设数据少于四个。计算能力就被浪费了。也有设计成一次仅仅能处理一个数据的标量（scalar）单元。

各家GPU的Shader组成

1. 高通Adreno系列

Adreno系列为统一渲染架构。shader ALU为典型的Vec4 + Scalar，Vec4每周期能够处理4个FP32的MAD运算（乘加运算。记为2 FLOPS）。Scalar单元不能做MAD。所以，

一个Adreno的Shader单元，每周期可提供的浮点操作数为4×2 + 1= 9 FLOPS。

主流Adreno GPU运算能力：

Adreno 200， 2 Vec4+1。 133MHz，2.4GFLOPS

Adreno 205。 4 Vec4+1， 266MHz。9.5GFLOPS 

Adreno 220， 8 Vec4+1， 266MHz，19.1GFLOPS 

Adreno 225， 8 Vec4+1， 400MHz，28.8GFLOPS 

Adreno 320， 假设是16Vec4+1， 跑400MHz的话。就是57GFLOPS

以上都是FP32的计算能力。因为OPENGL ES里。高中低精度Adreno都是依照FP32跑，因此在低精度的情况下，也不能获得性能提升。

2. PowerVR SGX系列

2.1 旧的SGX5系列

包含SGX530/531/535/540/545，其Shader计算单元为USSE。

USSE一个周期。能够对4个FX10（10bit的定点数，比FP16精度更低） 或者 2个FP16 或者 1个FP32 进行MADD操作。因为FP32才算是正常意义上的FLOPS，所以其性能每周期2 FLOPS。可是当两个FP32的操作共享一个操作数时。USSE也能够在一个周期里处理，此时就是2个FP32的MAD操作，4 FLOPS。所以。USSE的FP32性能，每周期为2～4 FLOPS。

主流SGX5 GPU运算能力：

SGX530， 2USSE，200MHz，0.8～1.6 GFLOPS

MTK的SGX531，2USSE，300MHz。2USSE，1.2～2.4 GFLOPS

三星蜂鸟SGX540，4USSE，200MHz，1.6～3.2 GFLOPS

OMAP4460，ATOM Z2460的SGX540 400MHz。 4USSE，3.2～6.4 GFLOPS

只是在FP16下，也就是大多数游戏的Pixel Shader精度下。相比FP32的最差情况下就能翻倍了。相同在更低精度的FX10下，还能再翻倍。

2.2 SGX 5XT系列

包含SGX543/544/554，和它们的各种多核版本号。

其Shader计算单元为USSE2。

USSE2不像之前那样了。是个Vec4+scalar的架构，单周期支持4个FP32的MAD操作，外加一个简单的scalar操作（ADD/MUL），这样跟Adreno一样，每周期 9 FLOPS。

单个543/544包括4个USSE2，性能基本一样，544多一些DX的API支持。

单个554则包括8个USSE2。

主流SGX5XT GPU运算能力：

iPhone 4S里的543MP2，2×4=8个USSE2，200MHz，14.4 GFLOPS

OMAP4470里的单个544，384MHz，4USSE2，跟上面类似

全志A31里的544MP2，所谓的8管线就是8USSE2，300MHz，也有21.6 GFLOPS

iPad3里的A5X。543MP4。16USSE2，250MHz，36 GFLOPS

iPad4的A6X。554MP4，32USSE2，280MHz，就突破80 GFLOPS了

在运算较低精度的FP16时。USSE2的性能还能有一定的提升。

3. ARM Mali系列

3.1 Mali-400

Mali-400并不是Unified Shader。是顶点和像素处理分开的

一个顶点处理器包括一个Vertex Shader 。Vec4，支持FP32精度

一个像素处理器包括一个Vec4的Pixel Shader，以及一个TMU， Shader支持FP16精度

主流Mali GPU运算能力：

一个Mali-400“单核”。400MHz下，计算能力为6.4 GFLOPS

Exynos 4210的Mali-400 MP4，266MHz，则为10.6 GFLOPS

Galaxy S3的Mali-400 MP4。 440MHz，则为17.6 GFLOPS

Note2的Mali-400 MP4，执行在533MHz，则为21 GFLOPS

当然这些都是FP16…… 由于Mali-400的Pixel Shader不支持FP32精度。

3.2 Mali-T6xx系列

T6xx採用新架构。Shader为统一渲染架构。

当中T604/624/628 ，一个核心含有2个ALU，而T658/678，为强化计算型，一个core含有4个ALU。

每一个ALU是个128bit wide的Vector Unit加上一个32bit的Scalar单元组成。

所以，单精度（FP32）性能为每周期9个。同USSE2。

那么Exynos 5250里533MHz的Mali-T604 四核。FP32的计算能力为 38.4 GFLOPS

相同，由于游戏里用的多的Pixel Shader是FP16精度。而T604的VU ALU此时处理能力能翻倍变成8个，这样每周期就是8*2 + 1 =17个。

符合ARM宣称的500MHz下单个T604核心17GFLOPS。四核心68GFLOPS的数据。

那么Exynos 5250里533MHz的Mali-T604 四核，FP16的计算能力为 72.5 GFLOPS

4. GeForce ULP

GeForce ULP同Mali-400。是分离的Shader架构。其Vertex Shader和Pixel Shader都是Scalar的，并不是Vec4。顶点支持FP32精度，像素部分支持FP20和FX10精度。所以。

“8核”Tegra 2, 4VS + 4PS，300MHz,计算能力为4.8 GFLOPS

“12核”Terga3，4VS + 8PS，520MHz。计算能力为12.5 GFLOPS 

5. Vivante的GC系列

跟Adreno差点儿相同，也是Vec4 +1的结构。相同高中低精度都依照FP32计算，低精度下不会有提升。

RK29的GC800， 1Vec4+1， 450MHz，4 GFLOPS

飞思卡尔i.MX6的GC2000， 4Vec4+1，600MHz。21.6 GFLOPS

海思K3V2的GC4000，8Vec4+1。480MHz，34.6 GFLOPS

GPU“兼容性”

如今还有个常常被提到的是GPU的“兼容性”问题，这里就要涉及到各个GPU支持的纹理格式了。

首先是ETC1，这个是OPENGL ES 2.0支持的纹理格式。大家都得支持。但这个纹理的一个缺点是不支持alpha通道，所以对于有alpha通道的纹理。就要拆成2个纹理去读取。效率低，浪费了带宽。

而PVRTC是PowerVR自家的纹理格式。相同ATITC是高通Adreno的纹理格式，此外S3TC就是桌面非经常见的DXT，微软DirectX 3D的纹理格式，这些都是支持alpha通道的。

PowerVR GPU支持自家的PVRTC和通用的ETC1（iOS下的PVR GPU仅仅支持PVRTC），Adreno支持自家的ATITC和通用的ETC1。NV的GeForce和Vivante的GC系列支持DXT和ETC1。剩下Mali-400仅仅支持ETC1。

所以。相应不同的GPU，会有不同的游戏数据包。通用数据包，一般都会採用ETC1，尽管通用，但因为不支持alpha通道要贴图2次，对于非Mali的GPU事实上都算是吃亏了。假设用自己支持的其它格式。就不用受这个苦了。对于贴图单元（TMU，Texture Mapping Unit）数目相对较少的Adreno 2xx系列，恐怕更是吃亏。

当然，纹理的支持度仅仅是兼容性的一方面，并非兼容性问题的所有。

各家的“多核”

GPU硬件的部分基本说完了，这里总结一个表格，同一时候给出了GPU厂商官方定义的一个“核”的内容，谁的核里料多，谁比較不厚道，应该也是一目了然了吧。面对各种“16核”“8管线”的宣传，大家也应该能比較清楚的辨别了吧。

跑分跟实际表现不一样？优化非常重要！

最后。规格仅仅是GPU的一个方面。实际表现跟架构也有非常大的关系。

更进一步的，就算是Benchmark中跑分差点儿相同的GPU。在不同的游戏中，实际表现也会有区别。

首先，Benchmark程序，大部分都是公平的，所以本质上。Benchmark都是“零优化”程序，公平起见，他们的纹理会用RGBA的PNG，TGA。或者ETC1纹理。不会用到各个GPU自家的格式。

可是游戏不一样，游戏能够做对应的优化。

比如PVR的GPU。能够用4bpp甚至2bpp的PVRTC纹理，相比于未压缩的贴图就能够节省8倍甚至16倍的带宽。

而没有被优化到的情况下。可能仅仅能跟着Mali用不支持alpha通道的ETC1。做2次贴图，浪费带宽。部分厂商甚至在通用数据包里放了一些未压缩贴图，那差距就更大了。同款游戏。跑分接近的GPU。iOS上的特效更好，流畅度更佳，就有优化的原因。

其次。Benchmark在一定程度上都是相对超前的。

大部分GPU跑Benchmark的帧率，都不会到流畅的级别（要是满帧了还怎么測出差别）。早期的Benchmark可能更加側重贴图和像素部分。新一代的Benchmark则提升了场景复杂度，对多边形和Shader计算的压力进一步增大。比如GLBenchmark 从2.1到2.5的提升。因此。一些三角形生成能力和原生Shader计算能力高的GPU。比方Adreno 220/225。得分提升就会比較明显。而Mali-400则在2.5中遇到三角形生成的瓶颈。得分表现不如之前。

而游戏是给人玩的，终端厂商或是SOC厂商能够跟游戏厂商合作，针对GPU的特点进行对应的优化。不同GPU側重非常不一样，比方Mali-400。三角形非常弱，像素部分，填充率强。高通Adreno 2xx，Vivante的GPU。多边形非常强，Shader计算强，但填充率较弱。

假设场景对Mali优化，游戏商能够降低画面中多边形的量，用贴图和像素部分实现很多其它的特效。这样对Adreno 2xx系列不利。假设对Adreno优化，则能够添加场景复杂度。用很多其它的三角形进行更精细的建模，但这样对Mali则不利。这仅仅是一方面，在一些细节上。还能够进行更深层次的优化，各家的GPU也都会提供对应的工具。

最后，GPU的跑分在一定程度上能反映GPU的实际性能，但终于在游戏中的表现还是非常看厂商优化的。所以也不要一味的盯着跑分，多问问玩过的朋友，多看看实測。会更有帮助。