三位數的FPS毫無意義 話說垂直同期的實際效用

本文探讨了垂直同步(VSync)技术的基本原理及其在实时图形渲染中的应用。通过限制图形渲染的帧速率不超过显示器的刷新率,VSync能够有效避免画面撕裂现象,并减少CPU和GPU的无效负载,提高系统的整体效率。
垂直同期(Vertical Sync /VSync)是很早就出現的概念或者技術手法 概念上其實很簡單 就是考慮到顯示器的RefreshRate有一定的頻率值 於是將Realtime的 Graphics Rendering的FPS數限制為<=RefreshRate 最初的目的 也是最基本的目的 是為了防止顯示卡ADAPTER的描畫更新速度超過了實際顯示器的更新速度而產生的一個顯示器畫面來源於兩個先後的顯示卡的FrameBuffer畫面所造成的畫面撕裂感(雖然採用普通Discard的Direct3D9的present屬性的話可以避免 然而FULLSCREEN下則不行)

然而一直以來垂直同期並沒有受到GRAPHICS APP開發者及GAMER的關注 甚至很多人還不知道那是什麼概念 細心的人會發現 2007年以來的DirectX SDK Samples特別是Direct3D 10 Samples統統把垂直同期作為默認設定 很明顯表明對他的重視及推獎 為什麼呢 顯然有何好處在裡頭 除了上面所述的基本目的之外 我發現最重要在於無用CPU/GPU損耗的避免 這牽涉到一個偶以前一直奇怪的問題 就是為啥自己寫的簡單的D3D APP執行時會占滿CPU(100%) 而自己做的差不多功能的OpenGL APP卻只佔一小部分CPU 同時OpenGL App印象中最高不會超過70幾FPS 而D3D的可以任意幾百FPS甚至更多 現在一想就明白 原來OpenGL程式中默認進行了垂直同期控制 而D3D9沒有 也就是說能夠描畫多快就畫多快 超過顯示器refreshrate也無所謂 而事實上最終的畫面 要麼多餘的畫面被顯示器Discard掉(實際顯示出的仍然是每秒60FPS 假設Refreshrate=60Hz) 要嘛就是顯示器不採用DISCARD機制 產生畫面不同期的撕裂感 一方面CPU和GPU都被大大占滿 非常的不高效

採用垂直同期後 在APP層的Present()呼叫處就限制住不讓描畫頻率超過顯示器Refreshrate 根本上最大程度的解放了無用的描畫消耗

這裡頭不覺想到另一個相關問題 就是瓶頸(BottleNeck) 無垂直同期的場合 CPU最大限度的呼叫描畫過程 GPU最大程度的進行描畫 假設CPU的極限是每秒呼叫M次描畫過程 GPU的極限是每秒描畫N次的畫面 最終的FPS數也就是瓶頸之所在 FPS=Min(M, N); 比方講偶的老電腦(1GHz CPU + NV GeForce6200)上 最簡的D3D程序也頂多跑到300-400FPS這就應該是CPU或GPU的極限值了(應該是GPU的極限 GPU為瓶頸 CPU呼叫是不會那麼慢的) 而在偶的新電腦(2.67Ghz CPU+ NV Geforce8600GT)上 普通的D3D10程式能達到上千FPS 這種場合 發現CPU全是占為100% 估計此時CPU是瓶頸了 而GPU尚有餘力 當然這些超出Refreshrate的動作都沒有任何畫面輸出上的意義 統統是浪費資源 唯一的意義就是用來試機器性能特別是GPU的性能(往往瓶頸在GPU的場合) 所以各類GAME提供垂直同期的RENDERING倒還有這個畫質表現以外的用場 當然若瓶頸在GPU且描畫速度低於refreshrate的場合 垂直同期不同期都沒兩樣 這種場合就不需要限制FPS了 因為FPS根本沒有能力超過refreshrate

事實上 現在垂直同期後的最突出意義還在於無用CPU資源的解放 如上所述 不設垂直同期 CPU往往會占到100% 然而很多GAME中CPU要進行大量的其他工作 況且有時一個Windowed Graphics APP還要跟桌面上其他程式同時執行 這種場合下不垂直同期就非常浪費並造成性能上的低下 當垂直同期控制在60-75fps時 普通的簡單描畫APP的CPU占用往往10%左右 這就比較理想了

從最新的DX SDK Sampes看 MS的推獎垂直同期非常贊同 減省一切不必要的開銷 不但是計算機工程優化上的一個目標 在現今環境惡化溫室效應的背景下 也非常值得強調 特別是GPU已經是當前發熱量耗電量的一個非常嚴重的部件 自然應該盡一切可能去減省不必要的開銷 並非為了檢測顯卡性能的場合而不使用垂直同期的話 是罪不可赦的笨蛋行為 GAMER打遊戲時都應該開垂直同期

這裡頭還扯到一個更遠點的話題 就是現在LCD液晶顯示器普及的前提下 把顯示器Refreshrate盡量調低點一般是60Hz更好 因為以前的CRT顯像管 每次更新顯示器畫面電子槍的重新射PIXEL點都會有亮度的明暗變化 縱使同一點的色值在更新前後是一樣的也會使肉眼上產生閃爍感 顯示器Refreshrate越低這種閃爍感就越明顯 這就對眼睛不利 所以以往CRT上都提倡盡可能把Refreshrate調高(比如調到85HZ)就感覺不很閃爍了 然而液晶顯示器的物理原理不同 同一點PIXEL更新時 若色值相同 不會有任何顏色或亮度上的變化 亦即只要該點PIXEL色值沒改變 更新頻率快慢的效果是一樣的 所以我門把LCD上的Refreshrate降到較低如60FPS就根本不因此而有閃爍感 Refreshrate慢點當然有好處 首先顯示器的工作頻率低了負擔輕了 壽命也長 耗電量也小了(理論上多少如此) 此外垂直同期的APP程序的FPS也更低了(當然不會低到肉眼感覺畫面不流暢的頻率啦) CPU/GPU的開銷也進一步減小

綜上所述 把液晶顯示器Refreshrate盡量調低 以及給Realtime Graphics App設置垂直同期的執行方式 是最優化精簡最節能最環保的最值得提倡的方案!
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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