CN112732496B - 一种gpu深度测试精度的评估方法 - Google Patents

一种gpu深度测试精度的评估方法 Download PDF

Info

Publication number
CN112732496B
CN112732496B CN202011397780.XA CN202011397780A CN112732496B CN 112732496 B CN112732496 B CN 112732496B CN 202011397780 A CN202011397780 A CN 202011397780A CN 112732496 B CN112732496 B CN 112732496B
Authority
CN
China
Prior art keywords
depth
test
gpu
precision
different
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011397780.XA
Other languages
English (en)
Other versions
CN112732496A (zh
Inventor
田泽
陈佳
姜丽云
吴晓成
李冲
刘莎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Xiangteng Microelectronics Technology Co Ltd
Original Assignee
Xian Xiangteng Microelectronics Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Xiangteng Microelectronics Technology Co Ltd filed Critical Xian Xiangteng Microelectronics Technology Co Ltd
Priority to CN202011397780.XA priority Critical patent/CN112732496B/zh
Publication of CN112732496A publication Critical patent/CN112732496A/zh
Application granted granted Critical
Publication of CN112732496B publication Critical patent/CN112732496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
    • G06F11/2236—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test CPU or processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2273—Test methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Generation (AREA)

Abstract

本发明属于计算机图形学技术领域，尤其涉及一种GPU深度测试精度的评估方法，该方法包括以下步骤：1)选取GPU平台；2)构造场景；3)记录分别在不同的GPU平台进行深度测试；并记录不同平台在大于、小于、等于三种模式下，不同精度的测试结果，记录不同GPU平台的深度测试小数精度；4)基于待评估模型进行深度测试并获取数据；5)深度测试的精度评估。针对各个商业显卡或者GPU平台对于深度精度不一致，本发明解决了GPU深度测试精度评估问题，从不同GPU的深度测试结果发现，测试模式不同，深度精度是不同的。本发明正确的实现了GPU深度测试精度评估方法，有效的协助了GPU设计人员根据需求选取合适的深度精度。

Description

一种GPU深度测试精度的评估方法
技术领域
本发明属于计算机图形学技术领域，涉及一种评估方法，尤其涉及一种GPU深度测试精度的评估方法。
背景技术
在图形处理器芯片(简称GPU)设计中，GPU深度测试精度会影响最终像素是否显示，并且在不同的GPU平台发现，不同的测试模式，选取的深度测试精度也不一致。如何根据需求，对标哪一款GPU的绘图效果，GPU深度测试精度的选取非常关键，这是需要解决的技术问题。
发明内容
本发明目的是提供一种GPU深度测试精度的评估方法。
本发明的技术解决方案是：
提供了一种GPU深度测试精度的评估方法，其特征在于：上述方法包括以下步骤：
1)选取GPU平台
上述GPU平台包括Mesa平台、Intel平台、AMD平台、Nvidia平台；
2)构造场景
上述场景设置测试模式为大于、小于、等于三个模式并设置深度值为0.01、0.001、0.0001、0.00001、0.000001；
3)记录
分别在不同的GPU平台进行深度测试；并记录不同平台在大于、小于、等于三种模式下，不同精度的测试结果，记录不同GPU平台的深度测试小数精度；
4)基于待评估模型进行深度测试并获取数据；
5)深度测试的精度评估。
作为优选的：上述步骤2)深度测试选取glClearDepth设置的深度值与绘制三角形的深度值比较，如果比较通过，则成功绘制，否则不绘制。
并且，测试场景中设置模型视图、投影矩阵以及glDepthRange的参数要求公式推导后，三角形的深度值不发生变化。
作为优选的：上述步骤4)包括：
在待评估模型上进行步骤3)场景的深度测试，并在进行深度测试前，分别记录glClearDepth和绘制三角形设置的深度值经过几何管线和像素管线后0-32数据格式的深度数据；
上述0-32表示32位纯小数的数据格式。
作为优选的：上述步骤5)包括：
比较步骤3)获取的两条路径的深度数据，对标步骤3)的不同GPU平台的不同测试模式的小数深度精度，根据需求，选取不同测试模式下0-32格式的深度数据的测试精度。
本发明具体的优点效果：
本发明解决了GPU深度测试精度的评估问题，正确的实现了GPU深度测试精度评估方法，有效的协助了GPU设计人员根据需求定义深度精度格式以及选取合适的深度测试精度。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例，对本发明的技术方案进行清楚、完整地表述。显然，所表述的实施例仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提所获得的所有其他实施例，都属于本发明的保护范围。
参见图1，本发明提供了一种GPU深度测试精度的评估方法，其特征在于：上述方法包括以下步骤：
1)选取GPU平台
上述GPU平台包括Mesa平台、Intel平台、AMD平台、Nvidia平台；
2)构造场景
上述场景设置测试模式为大于、小于、等于三个模式并设置深度值为0.01、0.001、0.0001、0.00001、0.000001；
3)记录
分别在不同的GPU平台进行深度测试；并记录不同平台在大于、小于、等于三种模式下，不同精度的测试结果，记录不同GPU平台的深度测试小数精度；
4)基于待评估模型进行深度测试并获取数据；
5)深度测试的精度评估。
作为优选的：上述步骤2)深度测试选取glClearDepth设置的深度值与绘制三角形的深度值比较，如果比较通过，则成功绘制，否则不绘制。
并且，测试场景中设置模型视图、投影矩阵以及glDepthRange的参数要求公式推导后，三角形的深度值不发生变化。
作为优选的：上述步骤4)包括：
在待评估模型上进行步骤3)场景的深度测试，并在进行深度测试前，分别记录glClearDepth和绘制三角形设置的深度值经过几何管线和像素管线后0-32数据格式的深度数据；
上述0-32表示32位纯小数的数据格式。
作为优选的：上述步骤5)包括：
比较步骤3)获取的两条路径的深度数据，对标步骤3)的不同GPU平台的不同测试模式的小数深度精度，根据需求，选取不同测试模式下0-32格式的深度数据的测试精度。
实施例：
下面结合附图对本发明做进一步详细描述，请参阅图1。
一种GPU深度测试精度的评估方法，包括以下步骤：
步骤一、构造深度测试的场景：OpenGL API定义的深度测试包含多种测试模式，本发明主要选取大于、小于、等于三种模式进行比较，设置深度值为0.01、0.001、0.0001、0.00001、0.000001；深度测试选取glClearDepth设置的深度值与绘制三角形的深度值比较，如果比较通过，则成功绘制，否则不绘制。并且，测试场景中设置模型视图、投影矩阵以及glDepthRange的参数要求公式推导后，三角形的深度值不发生变化。
步骤二、在多GPU平台进行深度测试：在多个GPU平台，比如Mesa、Intel、AMD、Nvidia等，进行步骤1)场景的深度测试，并记录不同平台在大于、小于、等于三种模式下，不同精度的测试结果，记录不同GPU平台的深度测试小数精度。
步骤三、基于模型进行深度测试并获取数据：在模型上进行步骤1)场景的深度测试，并在进行深度测试前，分别记录glClearDepth和绘制三角形设置的深度值经过几何管线和像素管线后0-32数据格式的深度数据。其中，0-32表示32位纯小数的数据格式。
步骤四、深度测试的精度评估：比较步骤3)获取的两条路径的深度数据，对标步骤2)的不同GPU平台的不同测试模式的小数深度精度，根据需求，选取不同测试模式下0-32格式的深度数据的测试精度。
GPU深度测试精度的评估方法结束。
最后应说明的是，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (2)

1.一种GPU深度测试精度的评估方法，其特征在于：所述方法包括以下步骤：
1)选取GPU平台
所述GPU平台包括Mesa平台、Intel平台、AMD平台、Nvidia平台；
2)构造场景
所述场景设置测试模式为大于、小于、等于三个模式并设置深度值为0.01、0.001、0.0001、0.00001、0.000001；
3)记录
分别在不同的GPU平台进行深度测试；并记录不同平台在大于、小于、等于三种模式下，不同精度的测试结果，记录不同GPU平台的深度测试小数精度；
4)基于待评估模型进行深度测试并获取数据；在待评估模型上进行步骤3)场景的深度测试，并在进行深度测试前，分别记录glClearDepth和绘制三角形设置的深度值经过几何管线和像素管线后0-32数据格式的深度数据；所述0-32表示32位纯小数的数据格式；
5)深度测试的精度评估；比较步骤3)获取的两条路径的深度数据，对标步骤3)的不同GPU平台的不同测试模式的小数深度精度，根据需求，选取不同测试模式下0-32格式的深度数据的测试精度。
2.根据权利要求1所述的GPU深度测试精度的评估方法，其特征在于：所述步骤2)深度测试选取glClearDepth设置的深度值与绘制三角形的深度值比较，如果比较通过，则成功绘制，否则不绘制；
并且，测试场景中设置模型视图、投影矩阵以及glDepthRange的参数要求公式推导后，三角形的深度值不发生变化。
CN202011397780.XA 2020-12-05 2020-12-05 一种gpu深度测试精度的评估方法 Active CN112732496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011397780.XA CN112732496B (zh) 2020-12-05 2020-12-05 一种gpu深度测试精度的评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011397780.XA CN112732496B (zh) 2020-12-05 2020-12-05 一种gpu深度测试精度的评估方法

Publications (2)

Publication Number Publication Date
CN112732496A CN112732496A (zh) 2021-04-30
CN112732496B true CN112732496B (zh) 2024-04-12

Family

ID=75598278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011397780.XA Active CN112732496B (zh) 2020-12-05 2020-12-05 一种gpu深度测试精度的评估方法

Country Status (1)

Country Link
CN (1) CN112732496B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504320A (zh) * 2016-11-02 2017-03-15 华东师范大学 一种基于gpu及面向深度图像的实时三维重构方法
CN109213649A (zh) * 2018-09-18 2019-01-15 郑州云海信息技术有限公司 Gtx显卡深度学习优化测试方法、装置、终端及存储介质
CN109684143A (zh) * 2018-12-26 2019-04-26 郑州云海信息技术有限公司 一种基于深度学习的测试gpu性能的方法及装置
CN110175507A (zh) * 2019-04-09 2019-08-27 文远知行有限公司 模型评估方法、装置、计算机设备和存储介质
CN110245742A (zh) * 2019-05-08 2019-09-17 上海电力学院 一种基于Keras平台的自适应深度学习模型优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9076265B2 (en) * 2006-06-16 2015-07-07 Ati Technologies Ulc System and method for performing depth testing at top and bottom of graphics pipeline

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504320A (zh) * 2016-11-02 2017-03-15 华东师范大学 一种基于gpu及面向深度图像的实时三维重构方法
CN109213649A (zh) * 2018-09-18 2019-01-15 郑州云海信息技术有限公司 Gtx显卡深度学习优化测试方法、装置、终端及存储介质
CN109684143A (zh) * 2018-12-26 2019-04-26 郑州云海信息技术有限公司 一种基于深度学习的测试gpu性能的方法及装置
CN110175507A (zh) * 2019-04-09 2019-08-27 文远知行有限公司 模型评估方法、装置、计算机设备和存储介质
CN110245742A (zh) * 2019-05-08 2019-09-17 上海电力学院 一种基于Keras平台的自适应深度学习模型优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GPU像素引擎的设计与实现;丁振青;熊庭刚;秦信刚;;舰船电子工程;20151020(第10期);全文 *
云基础设施中的GPU服务器性能评估;邱红飞;李先绪;黄春光;;移动通信;20180715(第07期);全文 *
深度神经网络硬件基准测试现状及发展趋势;张蔚敏;;信息通信技术与政策;20191215(第12期);全文 *

Also Published As

Publication number Publication date
CN112732496A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
US20180225397A1 (en) Systems and methods for fast simulation and visualization of sparse fluids
CN103959337B (zh) 在图形处理中在直接呈现与分格之间的切换
US7765500B2 (en) Automated generation of theoretical performance analysis based upon workload and design configuration
CN111932534B (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
TW201108152A (en) Displaying a visual representation of performance metrics for rendered graphics elements
CN106233326A (zh) 图形处理中基于显现目标的灵活显现
CN107209923A (zh) 图形处理中的混合渲染
US11501477B2 (en) Customizing font bounding boxes for variable fonts
CN105204988A (zh) 电子设备游戏性能的测试方法及系统
US20110164814A1 (en) Foreground region extraction program, foreground region extraction apparatus and foreground region extraction method
CN106575429A (zh) 图形处理单元中的高阶滤波
CN106575428B (zh) 图形处理单元中的高阶滤波
CN111932595A (zh) 图像配准方法、装置、电子设备及存储介质
CN112732496B (zh) 一种gpu深度测试精度的评估方法
CN112215935B (zh) Lod模型自动切换方法、装置、电子设备及存储介质
CN110334027A (zh) 游戏画面测试方法和装置
EP4379647A1 (en) Render format selection method and device related thereto
CN116109767A (zh) 三维场景的渲染方法、图像处理器、电子设备及存储介质
CN115588082A (zh) 空间数字模型实时展示方法、装置、设备及存储介质
CN115131481A (zh) Gpu绘制效率确定方法、模型构建方法、装置、介质及设备
CN111506680B (zh) 地形数据生成、渲染方法及装置、介质、服务器、终端
US9064088B2 (en) Computing device, storage medium and method for analyzing step formatted file of measurement graphics
CN113786616A (zh) 一种间接光照实现方法、装置、存储介质及计算设备
CN113144616B (zh) 带宽的确定方法、装置、电子设备及计算机可读介质
CN114677482B (zh) 地形构建方法及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant