原文：《A trip through the Graphics Pipeline 2011》
翻译：往昔之剑
转载请注明出处
此时，我们一路上通过多个驱动层和命令处理器将draw call从应用程序发送过来。最后终于要做图形处理了。最后一部分，来看一下顶点管线。不过在开始之前…
一些名词
我们现在所在的3D管线依次由若干阶段构成，每个阶段都有特殊功能。来给这些将要谈到的阶段命下名——基本上是按照D3D10/11的命名结构——加上相应的缩写。我们将在旅程的最终部分看到他们，但是还需要一些时间才能全部看到——我写了一个大纲，用一句话总结了每个阶段都做了什么。
- IA——输入组合器（Input Assembler）。读索引和顶点数据。
- VS——顶点着色器（Vertex Shader）。获取输入的顶点数据，写入下一个阶段用到的顶点数据。
- PA——图元装配（Primitive Assimbly）。读取顶点数据，组装成图元继续传递。
- HS——外壳着色器（Hull Shader）。接收补丁图元，将变换过的（或者没变换的）修补控制点写入域着色器（Domain Shader），加上驱动细分的额外数据。
- TS——细分阶段（Tessellator Stage）。创造顶点并连通细分的直线或三角面。
- DS——域着色器（Domain Shader）。取出已着色着色的控制点，HS中的额外数据，以及TS中的细分位置，并把他们再次变换成顶点。
- GS——几何着色器（Geometry Shader）。输入图元，选择邻接信息，然后输出成不同的图元。
- SO——输出流（Stream-Out）。将GS输出的（如变换后的图元）写入内存缓冲。
- RS——光栅器（Rasterizer）。光栅化图形。
- PS——像素着色器（Pixel Shader）。将经过插值的顶点数据输出像素颜色。还能写入UAV（无序访问视图 Unordered Access View）。
- OM——输出混合器（Output Merger）。从PS得到着色后的像素，做半透混合处理并把它们这回后缓冲区。
- CS——计算着色器（Compute Shader）。自己有一套独立的管线。输入只有常量缓冲和线程ID。可以写入缓冲和UAV。
现在所有的都交待完了，这里列出了多种数据流程，我来按顺序说明一下（这里不讲IA、PA、RS、OM阶段，他们和主题无关，他们不对数据做任何处理，仅仅重组数据——就像是粘合剂）
- VS→PS：历史悠久的管线。在D3D9时代，这就是全部管线了。目前为止仍然是常规渲染的重要流程。我从头到位走一遍，然后再回头换一种更丰富的流程。
- VS→GS→PS：几何着色（D3D10中新增）
- VS→HS→TS→DS→PS，VS→HS→TS→DS→GS→PS：曲面细分（D3D11中新增）
- VS→SO，VS→GS→SO，VS→HS→TS→DS→GS→SO：输出流（有/无 曲面细分）
- CS：计算（D3D11中新增）
现在你知道接下来要发生什么了，让我们从Vertex Shader开始吧。
输入组合器阶段（Input Assembler Stage）
这里发生的第一件事是从Index Buffer中载入索引——如果它是个包含索引的渲染批次。如果不是的话，就当成是序号一致的Index Buffer（0 1 2 3 4……）作为索引来使用。如果有Index Buffer，它的内容可不是从内存读取的，IA阶段通常通过一个数据缓存来访问Index/Vertex Buffer。还要注意，读取到的Index Buffer（实际上，在D3D10以上的所有资源访问都是这样）是做了边界检查的；如果你引用了原始Index Buffer之外的元素（例如，在只有5个索引的Index Buffer中，执行DrawIndexed函数，IndexCount参数设为6）所有的越界读取都将返回0。这么做（这种特殊情况）虽然完全没用，但是包含了一定意义。同样，你可以用一个NULL Index Buffer集合调用DrawIndexed——如果你的Index Buffer长度设为0，这么做也是一样的，所有读取都算越界，所以也返回0。在D3D10以上，你需要对未定义的东东多做一些处理：）
一旦有了索引，我们就有了需要从顶点数据流中读取的预处理顶点（pre-vertex）和预处理实例（pre-instance）数据（当前这个阶段的实例ID仅仅是一个简单的计数器）。这很简单——我们已经声明了数据布局（data layout）；从缓存/内存中读取它，并且解包成浮点格式作为shader内核的输入数据。然而，读取不是立即完成的；硬件使用了一个着色顶点的缓存，以至于顶点可以被多个三角形引用（在常规的闭包mesh中，每个顶点都被6个三角形引用），就不用每次都重复渲染同一个顶点了——我们仅引用已经着色后的数据。
顶点缓存和着色
注意：本段部分内容包含了猜测，都是依据专家给出的关于现代GPU的评论。但是仅告诉了我是什么，却没解释原因，所有这块有一些是推断的。还有，我仅是猜测了一些细节。就是说，我不知道的就不会在这里完全阐述了——我描述的东西都是我认为靠谱可信的，我还不能保证实际在硬件里确实这么实现的，没准会漏过一些技巧和细节。
长久以来（直到shader model 3.0的时代），vertex & pixel shader都使用不同的处理单元实现，它们有各自不同性能权衡和顶点缓存，是很简单的东西：一般只是 个包含少量顶点的FIFO，对于最糟糕的输出属性也保留了足够空间，各自标记了顶点和索引。很简单吧。
之后，Unified Shader出现了。如果在两种类型的Shader中统一处理不同事物，这种设计必然要做出妥协让步。换句话说，Vertex Shader通常一帧可能达到1百万个顶点，而Pixel Shader在1920x1200分辨率上填充全屏 一帧至少 需要二百三十万个像素——还会有更多的渲染内容。那么猜一下那个处理单元会拖后腿？
有一个解决办法：用大量的统一着色单元（unified shader unit）替换掉每次只渲染若干个顶点的旧vertex shader uint来最大化吞吐量，避免延迟，因而就能处理大量批次的渲染工作（有多大？目前这个数貌似是一个批次 处理16~64个着色顶点）。
如果不想降低渲染效率，在你执行一次顶点着色负载（vertex shading load）之前，会有16~64次顶点cache miss。但是整个FIFO实际上并不是按照这个想法批处理顶点cache miss，且一口气渲染完他们。因为问题在于：如果你一次性渲染整个批次的顶点，就只能在顶点着色之后才能开始组装三角形。而此时，你刚刚才添加了一整个顶点批次(比如这里是32个)到FIFO的队尾，就意味着现在有32个旧的顶点被挤出队列了——但是这32个顶点中的每个顶点，可能已经命中了，在当前批次里我们正在组装的三角形的顶点缓存。哦！那就行不通了。很明显，我们实际上不能在FIFO里统计32个旧的顶点作为顶点缓存命中（vertex cache hits），因为正在引用的顶点已经不在了！那我们该需要多大的FIFO？如果我们正在渲染的一个批次里有32个顶点，就至少 需要32个条目大的空间，但是因为我们不能使用32个旧的条目（因为我们要移出他们），意味着实际上每个批次都是用的一个空的FIFO。那就让它大一点，64个条目呢？相当大了吧。注意，每次顶点缓存查找要涉及到比较所有FIFO中的标记（顶点序号）——这完全是并行的，但也很耗电；我们在这里用一个完全关联缓存来高效率实现它。还有，在派发执行32个顶点着色负载和收到结果之间里做什么呢——只能是等待吗？着色要花费几百个cycle，等待可不是个好主意！或许应该同事有两个着色负载，并行执行？但是现在我们的FIFO需要至少64个条目长度，并且我们不能统计上次的64个条目作为顶点命中，因为当我们收到结果的时候，他们都将被移出队列。并且，一个FIFO对应大量的shader内核吗？Amdahl定律——将一系列完全串行化的分量 （不能并行化）加入到管线里，必然会产生性能瓶颈。
整个FIFO真的不适合这个环境，所以，好吧，我们只能抛弃他了。回到画板上来。我们实际想要做什么？拿到一个大小合适的顶点批次来渲染，并且不渲染不必要的顶点。
那么，好吧，简单点：为32个顶点（1个批次）保留足够大的缓存空间，并且同样留出32个条目的标记的缓存空间。从一个空的缓冲开始，例如所有条目都是非法的。对于index buffer中的每个图元，从所有的顶点中查找一次；如果他命中缓存，那最好了。如果没命中，在当前的批次里分配一个插槽并且添加一个新的索引到 缓存标记数组（the cache tag array）里。当我们没有足够剩余空间再添加新的图元时，派发全部的顶点着色批次，保存缓存标记数组（例如刚刚着色过得32个顶点索引），并且再次从一个空的缓存开始设置下一个批次——确保渲染批次都是完全独立的。
每个批次都将占用shader unit一段时间（可能至少几百cycles！）。但是这不会有问题，因为我们有足够的shader uint——仅需要选择一个不同的shader unit来执行每个批次！我们最终能够高效并行的得到返回结果。在这点上我们可以使用保存的缓存标记和袁术index buffer数据来组装图元，发送到管线里（这就是我后面部分要讲到的“图元组装”的概念）。
顺便说下，我刚才说的“得到返回结果”，是什么意思呢？他们在哪结束的？ 主要有两个选项：1. 特定的缓存里 或 2. 一些通用的缓存/临时内存。过去一般都用选项1，在 顶点数据周围用一个固定组织结构设计的缓存（每个顶点有16个float4向量的属性空间，之类的等等），但是后来GPU开始朝着选项2发展，仅仅是内存。这很灵活，一个重要的好处是你 可以在别的shader阶段也使用这个内存，然而举例来说，特定的顶点缓存对于像素着色或者计算管理是没什么用的。
目前为止所描述的顶点着色数据流程
Shader Unit内部
简而言之：这就是你想要看到的HLSL编译器的 反汇编输出结果（fxc/dumpbin）。它只是个擅长执行这种代码的处理器，在硬件中负责将 某些shader代码编译 成近似的shader字节码。与我之前谈论的东西不同，这块内容有丰富的资料——如果你感兴趣的话，可以从AMD和NVidia找到一些会议演示文档，或者阅读一下CUDA/Stream SDK的文档。
归纳一下：高速ALU主要布置在FMAC（浮点乘法累加 Floating Multiply-Accumulate）单元周围，某些硬件支持倒数，倒数平方根，log2，exp2，sin，cos运算，高吞吐量和高密度无延迟的优化，运行大量的线程来降低上述延迟，每个线程有很少的寄存器（因为正在运行的线程太多了！），非常适合执行直接式代码（无循环的），不适合运行有分支的（特别是不连贯的代码）。
上述的通常就是所有的实现。还有一些区别；AMD的硬件通常直接用4-位宽的SIMD表示HLSL/GLSL以及shader自节码（尽管它们后来不用了），而NVidia不久之前打算将4-通路SIMD转变成标量指令（scalar instruction）。再次提醒，所有的这些在web上都有资料。
尾注
我再次免责声明“顶点缓存与着色”一节：其中有一部分是我的猜测，所以讲的有点不清楚。
我也不打算讲如何写缓存的细节，这部分是托管的；缓存大小取决于处理批次的大小和想要输出的顶点属性。缓存大小和管理对于性能是很重要的，但我不在这里详细解释，我也不想解释；虽然很有趣，但是这部分内容与谈论的硬件非常特殊，不用深入了解。