android graphic(16)—fence(简化)

本文深入解析了fence在图形渲染流程中的关键作用,通过上层绘图与下层合成两个阶段,详细阐述了releasefence与acquirefence的产生、传递及应用,解释了不同合成方式下的处理流程,并强调了缓冲区释放与BufferQueue交互的重要性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


前面一篇文章以代码分析了fence的产生和传递过程,这里将过程简化为上层和下层两幅图。其中图中橘黄色的fence为release fence,而绿色的fence为acquire fence。

上层绘图

这里写图片描述

a, Surface dequeue buffer,Buffer Queue传递给Surface一个release fence,然后wait等待这个release fence触发。触发后,开始绘图。

b, 绘图完成后queue buffer,同时设置一个acquire fence, Layer对应的消费者acquire到这个buffer。

c, 该layer有两种合成方式,overlay合成和opengl合成。如果使用opengl合成,会调用doGLFenceWaitLocked()等到上层绘图的完成,然后执行Opengl合成,如果是overlay,surfaceflinger不做过多处理。

d, 在下个vsync信号处理期间,首先为上次合成时的buffer,即buffer1利用sycnForReleaseLocked()函数创建一个release fence,然后再将该buffer release,还给BufferQueue。
注意,一般在acquire buffer的时候,都会先将上次vsync使用的buffer release到BufferQueue。

下层合成

这里写图片描述

a, surfaceflinger完成HWC_FRAMEBUFFER相关layer的合成后,会将合成的buffer设置到HWC_FRAMEBUFFER_TARGET layer。在eglSwapBuffers()时DisplayDevice会去queue该buffer到对应的BufferQueue,同时设置一个acquire fence。FramebufferSurface首先acquire到该buffer,同时包括该acquire fence,然后交给hwcomposer处理。

b, 对overlay的layer的合成,在上层已经设置了acquire fence,这里直接交给hwcomposer处理。

c, hwcomposer在处理HWC_FRAMEBUFFER_TARGET layer时(buffer1),会为其设置一个release fence(fence2)。在下次vsync信号处理期间,该buffer会被release到BufferQueue中,同时附带hwcomposer设置的release fence。

d, hwcomposer在处理overlay layer时(buffer3),会为其设置一个release fence(fence4)。在下次vsync信号处理期间,该buffer会被release到BufferQueue中,同时附带hwcomposer设置的release fence。

内容概要:本文详细比较了GPU、TPU专用AI芯片在大模型推理优化方面的性能、成本及适用场景。GPU以其强大的并行计算能力和高带宽显存,适用于多种类型的神经网络模型和计算任务,尤其适合快速原型开发和边缘计算设备。TPU专为机器学习设计,擅长处理大规模矩阵运算密集型任务,如Transformer模型的推理,具有高吞吐量和低延迟特性,适用于自然语言处理和大规模数据中心的推理任务。专用AI芯片通过高度定制化架构,针对特定神经网络模型进行优化,如卷积神经网络(CNN),在处理特定任务时表现出色,同时具备低功耗和高能效比的优势,适用于边缘计算设备。文章还介绍了各自的优化工具和框架,如CUDA、TensorRT、TPU编译器等,并从硬件成本、运营成本和开发成本三个角度进行了成本对比。 适合人群:从事人工智能、深度学习领域的研究人员和技术人员,尤其是对大模型推理优化感兴趣的读者。 使用场景及目标:①帮助读者理解GPU、TPU和专用AI芯片在大模型推理中的优缺点;②为选择适合的硬件平台提供参考依据,以实现最优的推理性能和成本效益;③介绍各种优化工具和框架,帮助开发者高效部署和优化模型。 其他说明:本文不仅涵盖了硬件架构特性,还深入探讨了优化技术和应用场景,旨在为读者提供全面的技术参考。在选择硬件平台时,需综合考虑具体任务需求、预算限制及开发资源等因素。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值