移動GPU全解讀（二）
【編者按】：本文作者為愛搞機特約作者、技術達人“炮神”@ioncannon。
在上一篇移動GPU解讀中，對移動GPU的架構、相關參數進行了介紹，本部分介紹的則是移動GPU的Shader、GPU兼容性、“多核”的真相以及跑分問題。
說說被忽略的Shader
接下來我們回到Shader。Shader是GPU裏負責計算的主要部分，同一時候占得面積最大。耗電也最多。
當今的桌面GPU往往都不再談三角形生成率。或是像素填充率了，給的指標都是Shader的計算能力——GFLOPS。可見，Shader性能會越來越重要。
移動GPU也有著這種趨勢。我們看一下Anandtech測試的各款GPU的GLBenchmark的Egypt HD 1080p Offscreen得分：
右邊的綠色數字是該GPU在FP16精度下大致的計算性能，單位為GFLOPS。
能夠看到除去個別的GPU，Egypt成績跟Shader計算能力的相關性還是比較明顯的。
先做一點鋪墊：
首先。對於浮點數做一次加法或者乘法，都算是一次操作。記作1 FLOPS。
浮點數是有一定的精度的，比方16bit的浮點數。精度就是FP16。再高一點的FP32就是32bit的浮點數。也就是常說的單精度；更高的就是64bit的雙精度FP64了。一般來說，僅僅有FP32和FP64的操作才幹算是FLOPS。
在移動平臺的OpenGL ES裏，能夠指定高、中、低三種不同的精度。
對不同的GPU來說，高、中、低精度的實際值略有區別。
例如以下圖所看到的：
對於Adreno和GC系列，不管何種選擇何種精度，都會依照FP32精度進行計算。
而Mali-400和Tegra的ULP GeForce的Pixel Shader部分不支持高精度。最高僅僅支持中等的FP16精度。
絕大部分遊戲的Pixel Shader計算都採用中等（FP16）的精度，而Vertex Shader的計算通常是FP32的精度。
其次，關於統一渲染架構（Unified Shader）和分離的渲染架構（Discrete Shader）。前者的Shader既能進行Vertex的計算，也能進行Pixel的計算，比如PowerVR。Adreno，GC系列。
後者的Vertex Shader和Pixel Shader是分開的。典型的比方Mali-400和ULP GeForce。相對來說，統一渲染架構的Shader利用率會高些，在遇到三角形特別多像素特別少，或者相反的情況下，Shader的計算能力不easy被浪費。
最後，因為頂點坐標（xyzw）和像素顏色（rgba）都具有四個屬性，為了提高效率，Shader往往被設計成Vec4的SIMD，也就是能夠對四個數據進行打包。然後用一條指令相同的處理。當然假設數據少於四個。計算能力就被浪費了。也有設計成一次僅僅能處理一個數據的標量（scalar）單元。
各家GPU的Shader組成
1. 高通Adreno系列
Adreno系列為統一渲染架構。shader ALU為典型的Vec4 + Scalar，Vec4每周期能夠處理4個FP32的MAD運算（乘加運算。記為2 FLOPS）。Scalar單元不能做MAD。所以，
一個Adreno的Shader單元，每周期可提供的浮點操作數為4×2 + 1= 9 FLOPS。
主流Adreno GPU運算能力：
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， 假設是16Vec4+1， 跑400MHz的話。就是57GFLOPS
以上都是FP32的計算能力。因為OPENGL ES裏。高中低精度Adreno都是依照FP32跑，因此在低精度的情況下，也不能獲得性能提升。
2. PowerVR SGX系列
2.1 舊的SGX5系列
包含SGX530/531/535/540/545，其Shader計算單元為USSE。
USSE一個周期。能夠對4個FX10（10bit的定點數，比FP16精度更低） 或者 2個FP16 或者 1個FP32 進行MADD操作。因為FP32才算是正常意義上的FLOPS，所以其性能每周期2 FLOPS。可是當兩個FP32的操作共享一個操作數時。USSE也能夠在一個周期裏處理，此時就是2個FP32的MAD操作，4 FLOPS。所以。USSE的FP32性能，每周期為2～4 FLOPS。
主流SGX5 GPU運算能力：
SGX530， 2USSE，200MHz，0.8～1.6 GFLOPS
MTK的SGX531，2USSE，300MHz。2USSE，1.2～2.4 GFLOPS
三星蜂鳥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，也就是大多數遊戲的Pixel Shader精度下。相比FP32的最差情況下就能翻倍了。相同在更低精度的FX10下，還能再翻倍。
2.2 SGX 5XT系列
包含SGX543/544/554，和它們的各種多核版本號。
其Shader計算單元為USSE2。
USSE2不像之前那樣了。是個Vec4+scalar的架構，單周期支持4個FP32的MAD操作，外加一個簡單的scalar操作（ADD/MUL），這樣跟Adreno一樣，每周期 9 FLOPS。
單個543/544包括4個USSE2，性能基本一樣，544多一些DX的API支持。
單個554則包括8個USSE2。
主流SGX5XT GPU運算能力：
iPhone 4S裏的543MP2，2×4=8個USSE2，200MHz，14.4 GFLOPS
OMAP4470裏的單個544，384MHz，4USSE2，跟上面類似
全誌A31裏的544MP2，所謂的8管線就是8USSE2，300MHz，也有21.6 GFLOPS
iPad3裏的A5X。543MP4。16USSE2，250MHz，36 GFLOPS
iPad4的A6X。554MP4，32USSE2，280MHz，就突破80 GFLOPS了
在運算較低精度的FP16時。USSE2的性能還能有一定的提升。
3. ARM Mali系列
3.1 Mali-400
Mali-400並不是Unified Shader。是頂點和像素處理分開的
一個頂點處理器包括一個Vertex Shader 。Vec4，支持FP32精度
一個像素處理器包括一個Vec4的Pixel Shader，以及一個TMU， Shader支持FP16精度
主流Mali GPU運算能力：
一個Mali-400“單核”。400MHz下，計算能力為6.4 GFLOPS
Exynos 4210的Mali-400 MP4，266MHz，則為10.6 GFLOPS
Galaxy S3的Mali-400 MP4。 440MHz，則為17.6 GFLOPS
Note2的Mali-400 MP4，執行在533MHz，則為21 GFLOPS
當然這些都是FP16…… 由於Mali-400的Pixel Shader不支持FP32精度。
3.2 Mali-T6xx系列
T6xx採用新架構。Shader為統一渲染架構。
當中T604/624/628 ，一個核心含有2個ALU，而T658/678，為強化計算型，一個core含有4個ALU。
每一個ALU是個128bit wide的Vector Unit加上一個32bit的Scalar單元組成。
所以，單精度（FP32）性能為每周期9個。同USSE2。
那麽Exynos 5250裏533MHz的Mali-T604 四核。FP32的計算能力為 38.4 GFLOPS
相同，由於遊戲裏用的多的Pixel Shader是FP16精度。而T604的VU ALU此時處理能力能翻倍變成8個，這樣每周期就是8*2 + 1 =17個。
符合ARM宣稱的500MHz下單個T604核心17GFLOPS。四核心68GFLOPS的數據。
那麽Exynos 5250裏533MHz的Mali-T604 四核，FP16的計算能力為 72.5 GFLOPS
4. GeForce ULP
GeForce ULP同Mali-400。是分離的Shader架構。其Vertex Shader和Pixel Shader都是Scalar的，並不是Vec4。頂點支持FP32精度，像素部分支持FP20和FX10精度。所以。
“8核”Tegra 2, 4VS + 4PS，300MHz,計算能力為4.8 GFLOPS
“12核”Terga3，4VS + 8PS，520MHz。計算能力為12.5 GFLOPS
5. Vivante的GC系列
跟Adreno差點兒相同，也是Vec4 +1的結構。相同高中低精度都依照FP32計算，低精度下不會有提升。
RK29的GC800， 1Vec4+1， 450MHz，4 GFLOPS
飛思卡爾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”
如今還有個常常被提到的是GPU的“兼容性”問題，這裏就要涉及到各個GPU支持的紋理格式了。
首先是ETC1，這個是OPENGL ES 2.0支持的紋理格式。大家都得支持。但這個紋理的一個缺點是不支持alpha通道，所以對於有alpha通道的紋理。就要拆成2個紋理去讀取。效率低，浪費了帶寬。
而PVRTC是PowerVR自家的紋理格式。相同ATITC是高通Adreno的紋理格式，此外S3TC就是桌面非經常見的DXT，微軟DirectX 3D的紋理格式，這些都是支持alpha通道的。
PowerVR GPU支持自家的PVRTC和通用的ETC1（iOS下的PVR GPU僅僅支持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僅僅支持ETC1。
所以。相應不同的GPU，會有不同的遊戲數據包。通用數據包，一般都會採用ETC1，盡管通用，但因為不支持alpha通道要貼圖2次，對於非Mali的GPU事實上都算是吃虧了。假設用自己支持的其它格式。就不用受這個苦了。對於貼圖單元（TMU，Texture Mapping Unit）數目相對較少的Adreno 2xx系列，恐怕更是吃虧。
當然，紋理的支持度僅僅是兼容性的一方面，並非兼容性問題的所有。
各家的“多核”
GPU硬件的部分基本說完了，這裏總結一個表格，同一時候給出了GPU廠商官方定義的一個“核”的內容，誰的核裏料多，誰比較不厚道，應該也是一目了然了吧。面對各種“16核”“8管線”的宣傳，大家也應該能比較清楚的辨別了吧。
跑分跟實際表現不一樣？優化非常重要！
最後。規格僅僅是GPU的一個方面。實際表現跟架構也有非常大的關系。
更進一步的，就算是Benchmark中跑分差點兒相同的GPU。在不同的遊戲中，實際表現也會有區別。
首先，Benchmark程序，大部分都是公平的，所以本質上。Benchmark都是“零優化”程序，公平起見，他們的紋理會用RGBA的PNG，TGA。或者ETC1紋理。不會用到各個GPU自家的格式。
可是遊戲不一樣，遊戲能夠做對應的優化。
比如PVR的GPU。能夠用4bpp甚至2bpp的PVRTC紋理，相比於未壓縮的貼圖就能夠節省8倍甚至16倍的帶寬。
而沒有被優化到的情況下。可能僅僅能跟著Mali用不支持alpha通道的ETC1。做2次貼圖，浪費帶寬。部分廠商甚至在通用數據包裏放了一些未壓縮貼圖，那差距就更大了。同款遊戲。跑分接近的GPU。iOS上的特效更好，流暢度更佳，就有優化的原因。
其次。Benchmark在一定程度上都是相對超前的。
大部分GPU跑Benchmark的幀率，都不會到流暢的級別（要是滿幀了還怎麽測出差別）。早期的Benchmark可能更加側重貼圖和像素部分。新一代的Benchmark則提升了場景復雜度，對多邊形和Shader計算的壓力進一步增大。比如GLBenchmark 從2.1到2.5的提升。因此。一些三角形生成能力和原生Shader計算能力高的GPU。比方Adreno 220/225。得分提升就會比較明顯。而Mali-400則在2.5中遇到三角形生成的瓶頸。得分表現不如之前。
而遊戲是給人玩的，終端廠商或是SOC廠商能夠跟遊戲廠商合作，針對GPU的特點進行對應的優化。不同GPU側重非常不一樣，比方Mali-400。三角形非常弱，像素部分，填充率強。高通Adreno 2xx，Vivante的GPU。多邊形非常強，Shader計算強，但填充率較弱。
假設場景對Mali優化，遊戲商能夠降低畫面中多邊形的量，用貼圖和像素部分實現很多其它的特效。這樣對Adreno 2xx系列不利。假設對Adreno優化，則能夠添加場景復雜度。用很多其它的三角形進行更精細的建模，但這樣對Mali則不利。這僅僅是一方面，在一些細節上。還能夠進行更深層次的優化，各家的GPU也都會提供對應的工具。
最後，GPU的跑分在一定程度上能反映GPU的實際性能，但終於在遊戲中的表現還是非常看廠商優化的。所以也不要一味的盯著跑分，多問問玩過的朋友，多看看實測。會更有幫助。
移動GPU全解讀（二）