Katana3.0 + KtoA 2.3.0.0 gpu19 + GeForce GTX 1080Using 8 render threads参数设置：AA samples = 6GI diffsue samples = 3GI specular samples = 3GI transmisson samples = 3GI diffsue depth = 2GI specular depth = 3GI transmisson depth = 8灯光采样为默认值金属材质 (Metal)metal(左边为CPU, 右边为GPU)渲染时间：CPU - 2m13sGPU - 10s总结来说，金属这种BRDF的材质已经不需要太多运算性能，在GPU上也可以很好的计算，所以CPU和GPU的噪点都比较少，GPU渲染要快很多。当场景中有很多硬表面材质的时候，GPU会在不损失渲染质量的基础上，显示出更强大的速度和性能。玻璃材质 (Glass)glass(左边为CPU, 右边为GPU)渲染时间：CPU - 31m57sGPU - 17s玻璃这种BTDF的材质，光线追踪的渲染器实在太慢太低效了。虽然Arnold GPU渲染速度特别快，但是明显能看出来渲染细节丢失严重，噪点密密麻麻。还是使用CPU慢慢渲染比较靠谱。次表面散射材质 (SSS)sss(左边为CPU, 右边为GPU)渲染时间：CPU - 6m39sGPU - 36s次表面材质，SSS，也就是BSSRDF，是这么多测试中，Arnold GPU带来了最大的惊喜。Arnold GPU实现了 standard_surface中的random_walk BSSRDF。先简单介绍下，Arnold 5自带两种类型的SSS：diffusionrandom_walkdiffusion是一种基于经验的SSS模型，它的渲染结果更快，因为很多参数都是通过查表得到，这种经验模型也是现在普遍使用的方式。而randrom_walk是完全的光线反射计算，基于真实的物理模型。回到Arnold GPU，它不支持diffusion而是直接使用random_walk，得出的结果非常完美， 少，渲染效果和CPU非常相似。实际生产中，这个是完全可以胜任电影级的CG制作要求。科耐尔盒子 (Cornell Box)cornell_box(左边为CPU, 右边为GPU)渲染时间：CPU - 23m37sGPU - 1m27s结果很完美，虽然渲染时间很慢，但是效果惊人。和Redshift做对比的话，速度上惨败，效果上完胜。Redshift最大的问题在于间接光照往往太亮，暗部细节不够。Arnold GPU的效果和CPU基本完全一致，就这一点上，它是目前已知渲染器中(prman还不知道)做的最好的。这里请注意一下，GPU的渲染时间明显比CPU快很多的很重要的原因，是因为它们的采样相同，而采样相同的基础上，GPU渲染结果的噪点要明显比CPU渲染结果的噪点要多。Arnold Beta版的限制因为目前Arnold还处于早期的beta测试版本，所以很多特性是没有的，想要将Arnold GPU用于生产制作应该还是早了一些。以下是一些比较大的缺点。通用的限制GPU渲染，在相同采样的基础上，要比CPU噪点更多GPU渲染会将所有贴图读入内存和显存，暂不支持streaming textureGPU渲染不支持bucket rendering，所有支持的AOVs都留在内存中GPU渲染不支持OpenVDBShaders的限制暂不支持 OSL Shaders暂不支持第三方Shaders不支持AOVs写出，不支持 write_aovLights的限制暂不支持 cylinder_light暂不支持 disk_light暂不支持 mesh_light暂不支持 light_links暂不支持 light_filtersArnold GPU的未来Arnold希望将GPU渲染用于电影级的项目，但是因为GPU自身的缺点，很多渲染必须要使用CPU来计算，效率更高。所以，自由的在CPU和GPU之间切换渲染是非常重要。基于这一点，Arnold既能提供高质量的CPU单向光线追踪渲染，又能提供高效的GPU Optix光线追踪渲染。一套API支持CPU和GPUArnold设计之初就提出，使用一套API,兼容CPU和GPU渲染。现在Arnold GPU已经开始兼容一些MtoA里提供的Maya原生材质，至少这点Arnold已经取得一些进展了。支持OSL Shaders最新的消息，来自开发者论坛，NVIDIA正在和Sony一起，正在开发OSL基于GPU下的兼容性，包括OSL几个很重要的特性：Closure和LPEs。不久会加入Arnold GPU。渲染效果一致性现在看来，在效果还原上，Arnold还是做的很好的，GPU渲染尽力向CPU渲染的效果靠拢，因为两个渲染架构不同,不再延伸。来自： MIYAZAKI本文整理自Renderbus

图 2 Benchmark软件目前GPU测试数据排行 搭建云渲染平台-基本信息了解什么是GPU，优势何在我们通常所说的cpu即中央处理,全称Central Processing Unit。cpu拥有超强的逻辑能力，CPU虽然有多核，但总数没有超过两位数，CPU擅长处理具有复杂计算步骤和复杂数据依赖的计算任务；gpu则是图形处理器，全称Graphic Processing Unit。作为一个附属型处理器出现存在的，它主要处理计算机中与图形计算有关的工作。GPU的核数远超CPU，启用Gpu渲染加速，就是调用gpu加速图形的渲染和填充。开启gpu渲染加速后可以提升图形加载速度，降低cpu处理器的负担，使系统运行更加流畅.在图形渲染领域，不管是影视动画、建筑表现，还是CG广告，GPU凭借其专为图形加速而设计的架构和计算能力，为用户带来了一种更加高效的渲染解决方案，即GPU渲染解决方案。GPU渲染具有更快速度、更低成本的优势，而且GPU加速渲染的可用性也不断提高，越来越多搭上GPU渲染标签的高品质作品问世。 搭建云渲染平台-支持GPU渲染的渲染器就目前支持GPU渲染的渲染器来说，多是基于基于CUDA开发的，如：redshift、OctaneRender、vray等，Blender Cycles是为数不多同时支持N卡和A卡的渲染器。Redshift是世界第一款完全基于GPU加速的、有偏差的渲染器，也是现在市场接受度最高的一款GPU渲染器。Redshift采用近似法和插值技术，在样本相对较少的情况下实现无噪点的渲染结果，并在同等输出效果下，速度远超无偏差渲染器。Redshift支持多种有偏差的全局光照技术,包括：Brute Force GI、Photon Mapping (与Caustics)、Irradiance Cache (类似于Irradiance Map和Final Gather)、Irradiance Point Cloud (类似于Importons和Light Cache)，同时out-of-core架构的几何体和纹理，一定程度上摆脱了显卡显存的限制，渲染数以千万计的多边形和几乎无限数量的纹理成为可能；OctaneRender是世界上第一个GPU加速最快、基于物理的无偏差渲染器。这意味着只使用计算机上的显卡，就可以获得超快的照片级逼真的渲染结果。OctaneRender 4引入了突破性的机器学习技术，可以在视口和最终帧制作渲染中交互式地对主图和AOV进行降噪。不同于其它降噪，Spectral AI降噪器在内部感知模型和引擎深处的场景数据上运行。这种特定的AI降噪器使用于体积，玻璃，折射，SSS，景深和运动模糊，在复杂的场景中将渲染时间缩短50-100倍；Blender Cycles是采用光线追踪算法的、可提供超写实渲染的无偏差渲染引擎。光线追踪算法的优点是设置参数简单，结果准确，能大大减少渲染时间。Cycles 有两种GPU渲染模式:CUDA, 在 NVIDIA 的显卡上运行的加速模式; 以及OpenCL, AMD 的显卡上运行的加速模式。V-Ray GPU有两个渲染引擎，一个是基于OpenCL，另一个基于NVIDIA 的CUDA，但是V-Ray Next,之后的版本将完全基于NVIDIA 的CUDA。根据您本地的配置可选择V-Ray GPU引擎执行射线追踪计算,或同时使用的计算机的CPU和GPU设备。 搭建云渲染平台-如何搭建多显卡渲染环境如之前所说，很多GPU渲染器是基于NVIDIA 的CUDA开发的，CUDA 是支持在一个系统中使用多个显卡的，但是这并不是自动完成的，因此应用程序拥有全面控制权。应用程序可将工作分配到多个 GPU。但是这并不是自动完成的，因此应用程序拥有全面控制权.。目前用的最多的GPU渲染器应该就是redshift，其支持的三维软件也较多，我们就以redshift渲染环境搭建为例作以说明。 图 4 redshift支持的三维软件基本步骤如果需要配置稍大规模的渲染环境，要考虑到需要配置license服务器，文件共享服务器等配置，渲染节点需要注意以下配置。基本硬件环境安装操作系统、硬件要求、驱动版本详见：+Requirements?product=maya软件环境配置三维渲染软件、渲染插件配置、GPU运行状态监控软件（GPU-Z）调度器安装配置如：deadline注意事项：虽然是GPU渲染，但是渲染前还是有大量工作需要CPU做的，比如场景转换，因此cpu的选择也不能太过随意，尽量选择主频较高、线程数较多、可持续工作时间较长的，志强系列为佳；特别是走共享服务器路径的，要注意存储及网络性能，尽量选择i/o性能较好的ssd；流程优化。以redshift为例，渲染前会转临时贴图，如通过preferences.xm或者REDSHIFT_CACHEPATH这个环境变量设置到一个公共位置的话能减少不少渲染时间

二：GPU与CPU的区别想要理解GPU与CPU的区别，需要先明白GPU被设计用来做什么。现代的GPU功能涵盖了图形显示的方方面面，我们只取一个最简单的方向作为例子。大家可能都见过上面这张图，这是老版本Direct X带的一项测试，就是一个旋转的立方体。显示出一个这样的立方体要经过好多步骤，我们先考虑简单的，想象一下他是个线框，没有侧面的“X”图像。再简化一点，连线都没有，就是八个点（立方体有八个顶点的）。那么问题就简化成如何让这八个点转起来。首先，你在创造这个立方体的时候，肯定有八个顶点的坐标，坐标都是用向量表示的，因而至少也是个三维向量。然后“旋转”这个变换，在线性代数里面是用一个矩阵来表示的。向量旋转，是用向量乘以这个矩阵。把这八个点转一下，就是进行八次向量与矩阵的乘法而已。这种计算并不复杂，拆开来看无非就是几次乘积加一起，就是计算量比较大。八个点就要算八次，2000个点就要算2000次。这就是GPU工作的一部分，顶点变换，这也是最简单的一部分。剩下还有一大堆比这更麻烦的就不说了。总而言之，CPU和GPU因为最初用来处理的任务就不同，所以设计上有不小的区别。它们分别针对了两种不同的应用场景。CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂。而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。于是CPU和GPU就呈现出非常不同的架构（示意图）：CPU与GPU区别大揭秘：图片来自nVidia CUDA文档。其中绿色的是计算单元，橙红色的是存储单元，橙黄色的是控制单元。GPU采用了数量众多的计算单元和超长的流水线，但只有非常简单的控制逻辑并省去了Cache。而CPU不仅被Cache占据了大量空间，而且还有有复杂的控制逻辑和诸多优化电路，相比之下计算能力只是CPU很小的一部分。而GPU的工作大部分就是这样，计算量大，但没什么技术含量，而且要重复很多很多次。就像你有个工作需要算几亿次一百以内加减乘除一样，最好的办法就是雇上几十个小学生一起算，一人算一部分，反正这些计算也没什么技术含量，纯粹体力活而已。而CPU就像老教授，积分微分都会算，就是工资高，一个老教授资顶二十个小学生，你要是富士康你雇哪个？GPU就是这样，用很多简单的计算单元去完成大量的计算任务，纯粹的人海战术。这种策略基于一个前提，就是小学生A和小学生B的工作没有什么依赖性，是互相独立的。很多涉及到大量计算的问题基本都有这种特性，比如你说的破解密码，挖矿和很多图形学的计算。这些计算可以分解为多个相同的简单小任务，每个任务就可以分给一个小学生去做。但还有一些任务涉及到“流”的问题。比如你去相亲，双方看着顺眼才能继续发展。总不能你这边还没见面呢，那边找人把证都给领了。这种比较复杂的问题都是CPU来做的。而某些任务和GPU最初用来解决的问题比较相似，所以用GPU来算了。GPU的运算速度取决于雇了多少小学生，CPU的运算速度取决于请了多么厉害的教授。教授处理复杂任务的能力是碾压小学生的，但是对于没那么复杂的任务，还是顶不住人多。当然现在的GPU也能做一些稍微复杂的工作了，相当于升级成初中生高中生的水平。但还需要CPU来把数据喂到嘴边才能开始干活，究竟还是靠CPU来管的。 三：并行计算首先我们说一下并行计算的概念，它是一种类型的计算，它的许多计算或执行过程是同时进行的。将大问题可以分成较小的问题，然后可以同时解决。可以同CPU或主机进行协同处理，拥有自己的内存，甚至可以同时开启1000个线程。采用GPU进行计算时与CPU主要进行以下交互：CPU与GPU之间的数据交换，在GPU上进行数据交换先说明一下，一般来说同一时刻一个CPU或GPU计算核心上（就是我们通常所说的“核”）只能够进行一个运算，在超线程技术中，一个计算核心在同一时刻可能进行多个计算（比如对于双核四线程的CPU，在不发生资源冲突的情况下，每个计算核心可能同时进行两个计算），但超线程通常只是使逻辑计算核心翻倍。我们平时看到自己使用的CPU可以同时运行几十个程序，实际上，从微观角度来说，这几十个程序在一定程度上仍然是串行的，比如在四核四线程CPU上，同一时刻只能够进行4个运算，这几十个程序便只能在四个计算核心上轮换执行，只是由于切换速度很快，在宏观上表现出的就是这些程序在“同时”运行。GPU最突出的特点就是：计算核心多。CPU的计算核心一般只有四个、八个，一般不超过两位数，而用于科学计算的GPU的计算核心可能上千个。正由于计算核心数量的巨大优势，GPU在同一时刻能够进行的计算的数量远远地把CPU比了下去。这时候，对于那些可以并行进行的计算，利用GPU的优势就能够极大地提高效率。这里解释一下任务的串行计算和并行计算。串行计算通俗来说就是先计算完一个之后再计算下一个，并行计算则是同时并行的计算若干个。比如计算实数a与向量B=1 2 3 4的乘积，串行计算就是先计算aB1，再计算aB2，然后计算aB3，最后计算aB4，从而得到aB的结果，并行计算就是同时计算aB1、aB2、aB3和aB4，得到aB的结果。如果只有一个计算核心，四个计算任务是不可能并行执行的，只能够一个一个地串行计算，但如果有四个计算核心，则可以把四个独立的计算任务分到四个核上并行执行，这便是并行计算的优势所在。正因如此，GPU的计算核心多，能够进行并行计算的规模便非常大，对于一些能够通过并行计算解决的计算问题便表现出了优于CPU的性能。比如破译密码，将任务分解成可以独立执行的若干份，每一份分配在一个GPU核心上，便可以同时执行多份破译任务，从而加快破译速度。但并行计算不是万能的，它需要一个前提：问题可以分解为能够并行执行的若干个部分。很多问题不满足这个条件，比如一个问题有两步，而第二步的计算依赖于第一步的结果，此时，这两部分便不能并行的执行，只能够串行地依次执行。实际上，我们平时的计算任务常常有复杂的依赖关系，很多重要的计算任务并不能够并行化，这是GPU的一个劣势。关于GPU编程方面主要有以下方法：由于不是编程科班出身，这里就不多加介绍了，有兴趣的朋友可以自行找资料。关于GPU的并行计算，就说这么多，有更深了解的朋友欢迎来沟通。的并行计算，我们从三点进行简单的阐述。