30.1.3 着色器编程：几何着色器与计算着色器

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

渲染管线全家福

把 GPU 想象成一家餐厅后厨的流水线。食材从进货口进入，按固定工序被清洗、切块、炒制、装盘。图形渲染也有这样一条“出菜流水线”，我们叫它渲染管线。每一个步骤都像固定工位，数据必须依次通过，直到最终画面的像素端上屏幕。

渲染管线从输入装配开始，把三角形、线段等“食材”送入，依次经过顶点着色器、几何着色器、光栅化、片元着色器。顶点着色器负责逐顶点变换，把 3D 坐标映射到屏幕空间；光栅化把数学三角形变成像素碎片；片元着色器为每个像素涂上颜色。GPU 真正厉害的地方在于，成千上万个顶点可以同时通过这些工位，这就是并行。

要理解这条流水线的“食材量”，最简单的起点是顶点数量。一个三角形由三个顶点组成，所以送入顶点着色器的顶点总数等于三角形数乘 3。

后厨的切菜数目永远是锅数乘三。理解了这份“家底”，再看几何着色器时，就会明白它为何能突然打破这种稳定的节奏。

几何着色器定位

创意配菜师站在切菜和摆盘之间。食材已经切成块，但还没摆上盘；他可以临时改刀，把一块豆腐切成更多小块，也可以把两片肉合成一份。这就是几何着色器的角色：它在顶点着色器和光栅化之间，拥有对图元“增删改”的能力。

几何着色器是一个可编程阶段，输入是一个完整的图元——点、线段或三角形，输出可以是零个、一个或多个图元。它最特别的地方是“一对多”：输入一个点，可以输出一个四边形作为粒子；输入一个三角形，可以输出一圈新三角形形成轮廓。具体输出多少，完全由开发者编写的一段 shader 程序决定。

输入输出关系可以写成：

配菜师虽然自由，但“每份最多切成多少块”是有规定的，否则后厨的盘子储备和出菜通道都会出问题。

图元增删魔法

配菜师有两招杀手锏：一招是“一菜变多菜”，把一个点变成一片飞溅的粒子；另一招是“给菜描边”，沿着三角形轮廓再贴一圈新三角形。这两招正是几何着色器最经典的应用：粒子发射与轮廓扩展。

粒子发射在游戏里用来做烟花、爆炸、喷泉：GPU 每收到一个输入点，就生成 m 个矩形小面片作为粒子，每个粒子再经过后续渲染变成动态画面。轮廓扩展用于卡通描边：把三角形每条边向外扩展，生成新的三角形形成边带，让物体轮廓看起来更粗、更有风格。

公式化描述：

配菜师每一次加料都有代价：加得越多，后面装盘师傅越累。所以 m 要根据场景精心设定，并不是越大越好。

性能瓶颈警示

创意配菜师如果“一开百”，出菜口瞬间堆满盘子，后厨乱成一锅粥。几何着色器的麻烦正是输出量不可预测。它不像传统固定流水线那样每个阶段工作量稳定，而是允许一个线程生成一百个图元，另一个线程一个都不生成，这会让 GPU 的并行负载严重不均。

更麻烦的是，很多几何效果需要访问相邻图元的信息。比如轮廓扩展要找到三角形邻边，但几何着色器默认只拿到自己负责的那一个图元，想获取邻居数据就得跨线程通信，而跨线程通信在 GPU 上的成本非常高。这也是几何着色器逐渐被实例化渲染、曲面细分等方案替代的原因之一。

我们用放大率来衡量风险：

后厨总结：创意很好，但要克制。滥用创意配菜师，流水线会从“高效”变成“堵车”。

计算着色器破局

后厨里还有一支“自由杂工队”，不按流水线走，哪里缺人就冲到哪里。这就是计算着色器的设计哲学：不一定要排队经过顶点、光栅化，而是直接从 GPU 拿到一堆数据并行处理，干完活直接写回结果。

计算着色器不属于图形渲染固定管线的一部分。它可以读写纹理和缓冲区，执行任意数学与逻辑运算，是通用 GPU 计算的基石。它引入了两个核心概念：线程（thread）和工作组（workgroup）。一个任务被分成多个工作组，每个工作组里有若干个线程；线程之间可以通过共享内存协作。

总线程数可以用维度乘积表示：

自由杂工队不占出菜流水线，能干各种杂活，但人数规模要算清楚，不然调度器也会头大。

计算着色器实战

自由杂工队最常被请去干三类活：重新布置餐厅（后处理）、搬重物（物理模拟）、清理噪点（光线追踪降噪）。

后处理时，整张图像可以看作一个大数组，一个线程负责一个像素，并行执行滤镜或特效。物理模拟时，一个线程对应一个粒子或一个网格点，更新位置和速度。光线追踪降噪时，计算着色器用时空滤波器平滑蒙特卡洛渲染产生的噪声，让画面快速变得干净。

衡量并行收益的标准是加速比：

杂工队干活要分工合理、排队有序，才能真正跑赢一个人埋头苦干。这也是 GPU 编程的魅力与挑战。

AI 应用场景

Python 演示

import numpy as np  def geom_shader_expand(points, m=6, radius=0.1):    """模拟几何着色器: 每个输入点发射 m 个粒子, 返回形状 (n*m, 2)"""    n = points.shape[0]    angles = np.arange(m) * 2.0 * np.pi / m    offsets = np.column_stack([np.cos(angles), np.sin(angles)]) * radius    expanded = points[:, None, :] + offsets[None, :, :]    return expanded.reshape(n * m, 2)  def compute_shader_update(particles, velocity, dt=0.01):    """模拟计算着色器: 所有粒子的位置同步更新"""    particles[:, 0] += velocity[:, 0] * dt    particles[:, 1] += velocity[:, 1] * dt    return particles  def run():    np.random.seed(42)    input_points = np.random.rand(8, 2)          # 8 个输入点    particles = geom_shader_expand(input_points, m=6, radius=0.15)    velocity = np.random.randn(len(particles), 2) * 0.5    for _ in range(50):        compute_shader_update(particles, velocity)    print("粒子数量:", particles.shape[0])    print("前三个粒子位置:\n", particles[:3])  if __name__ == "__main__":    run()

1. angles = np.arange(m) * 2.0 * np.pi / m把圆周均分成 m 份，得到粒子发射方向。
2. offsets = np.column_stack([np.cos(angles), np.sin(angles)]) * radius生成 m 个方向上的单位偏移量。
3. expanded = points[:, None, :] + offsets[None, :, :]用广播把每个输入点复制成 m 个，实现“一对多”。
4. particles[:, 0] += velocity[:, 0] * dt模拟每个线程并行更新自己负责的粒子 x 坐标。
5. compute_shader_update(particles, velocity)一次调用更新全部粒子，体现 GPU 并行。

常见误区

面试题