如何使用GPU改善JavaScript性能

什么是 GPU.js

首先，官网地址:https://gpu.rocks/

简而言之，GPU.js 是一个 JavaScript 加速库，可用于使用 JavaScript 在 GPU 上进行通用计算。它支持浏览器、Node.js 和 TypeScript。

除了性能提升外，我推荐使用 GPU.js 的原因还有以下几点:

所有这些东西加在一起，我不认为有理由不使用 GPU.js。因此，让我们看看如何开始使用它。

如何设置 GPU.js？

为您的项目安装 GPU.js 与其他的 JavaScript 库类似。

对于 Node 项目

npm install gpu.js --save
or
yarn add gpu.js
import { GPU } from (‘gpu.js‘)
--- or ---
const { GPU } = require(‘gpu.js‘)
--- or ---
import { GPU } from ‘gpu.js‘; // Use this for TypeScript
const gpu = new GPU();

对于 Bowsers

在本地下载 GPU.js 或使用其 CDN。

<script src="dist/gpu-browser.min.js"></script>
--- or ---
<script
  src="https://unpkg.com/gpu.js@latest/dist/gpu- browser.min.js">
</script>
<script
  rc="https://cdn.jsdelivr.net/npm/gpu.js@latest/dist/gpu-browser.min.js">
</script>
<script>
 const gpu = new GPU();
 ...
</script>

注意：

如果你使用的是 Linux，你需要确保你安装了正确的文件，运行：sudo apt install mesa-common-dev libxi-dev

这就是你需要知道的关于安装和导入 GPU.js 的情况。

现在，你可以开始在你的应用程序中使用 GPU 编程。

此外，我强烈建议理解 GPU.js 的基本功能和概念。所以，让我们从 GPU.js 的一些基础知识开始。

创建函数

你可以在 GPU.js 中定义函数以在 GPU 中运行，使用一般的 JavaScript 语法。

const exampleKernel = gpu.createKernel(function() {
    ...
}, settings);

上面的代码样本显示了一个 GPU.js 函数的基本结构。我将该函数命名为 exampleKernel。正如你所看到的，我使用了 createKernel 函数，利用 GPU 进行计算。

另外，定义输出的大小是必须的。在上面的例子中，我使用了一个名为 settings 的参数来指定输出大小。

const settings = {
    output: [100]
};

内核函数的输出可以是 1D、2D 或 3D，这意味着它最多可以有 3 个线程。你可以使用 this.thread 命令在内核中访问这些线程。

最后，创建的函数可以像其他的 JavaScript 函数一样使用函数名来调用：exampleKernel()

内部支持的变量

Number

你可以在 GPU.js 函数中使用任何整数或浮点数。

const exampleKernel = gpu.createKernel(function() {
 const number1 = 10;
 const number2 = 0.10;
 return number1 + number2;
}, settings);

Boolean

GPU.js 中也支持布尔值，与 JavaScript 类似。

const kernel = gpu.createKernel(function() {
  const bool = true;
  if (bool) {
    return 1;
  }else{
    return 0;
  }
},settings);

Arrays

你可以在内核函数中定义任何大小的数字数组，并返回它们。

const exampleKernel = gpu.createKernel(function() {
 const array1 = [0.01, 1, 0.1, 10];
 return array1;
}, settings);

Functions

在内核函数中使用私有函数，在 GPU.js 中也是允许的。

const exampleKernel = gpu.createKernel(function() {
  function privateFunction() {
    return [0.01, 1, 0.1, 10];
  }
  return privateFunction();
}, settings);

支持的输入类型

除了上述变量类型外，你还可以向内核函数传递几种输入类型。

Numbers

与变量声明类似，你可以向内核函数传递整数或浮点数，如下所示。

const exampleKernel = gpu.createKernel(function(x) {
 return x;
}, settings);
exampleKernel(25);

1D,2D, or 3D Array of Numbers

你可以将 Array、Float32Array、Int16Array、Int8Array、Uint16Array、uInt8Array 等数组类型传入 GPU.js 内核。

const exampleKernel = gpu.createKernel(function(x) {
 return x;
}, settings);
exampleKernel([1, 2, 3]);

预扁平化的 2D 和 3D 数组也被内核函数所接受。这种方法使上传的速度更快，你必须使用 GPU.js 的输入选项来实现这一点。

const { input } = require(‘gpu.js‘);
const value = input(flattenedArray, [width, height, depth]);

html Images

与传统的 JavaScript 相比，将图像传递到函数中是我们在 GPU.js 中可以看到的一个新东西。使用 GPU.js，你可以将一个或多个 html 图像作为数组传递给内核函数。

//Single Image
const kernel = gpu.createKernel(function(image) {
    ...
})
  .setGraphical(true)
  .setOutput([100, 100]);

const image = document.createElement(‘img‘);
image.src = ‘image1.png‘;
image.onload = () => {
  kernel(image);
  document.getElementsByTagName(‘body‘)[0].appendChild(kernel.canvas);
};
//Multiple Images
const kernel = gpu.createKernel(function(image) {
    const pixel = image[this.thread.z][this.thread.y][this.thread.x];
    this.color(pixel[0], pixel[1], pixel[2], pixel[3]);
})
  .setGraphical(true)
  .setOutput([100, 100]);

const image1 = document.createElement(‘img‘);
image1.src = ‘image1.png‘;
image1.onload = onload;
....
//add another 2 images
....
const totalImages = 3;
let loadedImages = 0;
function onload() {
  loadedImages++;
  if (loadedImages === totalImages) {
    kernel([image1, image2, image3]);
     document.getElementsByTagName(‘body‘)[0].appendChild(kernel.canvas);
  }
};

除了上述配置外，还有许多令人兴奋的事情可以用 GPU.js 进行实验。你可以在其文档中找到它们。既然你现在了解了几种配置，让我们用 GPU.js 写一个函数并比较其性能。

https://www.98891.com/article-82-1.html;

使用 GPU.js 的第一个功能

通过结合我们之前讨论的所有内容，我写了一个小型的 angular 应用程序，通过将两个有 1000 个元素的数组相乘来比较 GPU 和 CPU 的计算性能。

第 1 步，生成 1000 个元素的数组的函数

我将生成一个每个元素有 1000 个数字的 2D 数组，并在接下来的步骤中使用它们进行计算。

generateMatrices() {
 this.matrices = [[], []];
 for (let y = 0; y < this.matrixSize; y++) {
  this.matrices[0].push([])
  this.matrices[1].push([])
  for (let x = 0; x < this.matrixSize; x++) {
   const value1 = parseInt((Math.random() * 10).toString())
   const value2 = parseInt((Math.random() * 10).toString())
   this.matrices[0][y].push(value1)
   this.matrices[1][y].push(value2)
  }
 }
}

第 2 步,内核函数

这是这个应用程序中最关键的函数，因为所有的 GPU 计算都发生在这里。

在这里，multiplyMatrix 函数将接收两个数字数组和矩阵的大小作为输入。

然后，它将把两个数组相乘并返回总和，同时使用性能 API 测量时间。

gpuMultiplyMatrix() {
  const gpu = new GPU();
  const multiplyMatrix = gpu.createKernel(function (a: number[][], b: number[][], matrixSize: number) {
   let sum = 0;

   for (let i = 0; i < matrixSize; i++) {
    sum += a[this.thread.y][i] * b[i][this.thread.x];
   }
   return sum;
  }).setOutput([this.matrixSize, this.matrixSize])
  const startTime = performance.now();
  const resultMatrix = multiplyMatrix(this.matrices[0],  this.matrices[1], this.matrixSize);

  const endTime = performance.now();
  this.gpuTime = (endTime - startTime) + " ms";

  console.log("GPU TIME : "+ this.gpuTime);
  this.gpuProduct = resultMatrix as number[][];
}

步骤 3,CPU 乘法函数。

这是一个传统的 TypeScript 函数，用于测量相同数组的计算时间。

cpuMutiplyMatrix() {
  const startTime = performance.now();
  const a = this.matrices[0];
  const b = this.matrices[1];
  let productRow = Array.apply(null, new Array(this.matrixSize)).map(Number.prototype.valueOf, 0);
  let product = new Array(this.matrixSize);

  for (let p = 0; p < this.matrixSize; p++) {
    product[p] = productRow.slice();
  }

  for (let i = 0; i < this.matrixSize; i++) {
    for (let j = 0; j < this.matrixSize; j++) {
      for (let k = 0; k < this.matrixSize; k++) {
        product[i][j] += a[i][k] * b[k][j];
      }
    }
  }
  const endTime = performance.now();
  this.cpuTime = (endTime — startTime) + “ ms”;
  console.log(“CPU TIME : “+ this.cpuTime);
  this.cpuProduct = product;
}

CPU vs GPU，性能比较

现在是时候看看围绕着 GPU.js 和 GPU 计算的所有讨论是否真实。由于我在上一节中创建了一个 Angular 应用程序，所以我用它来测量性能。

你可以清楚地看到，GPU 编程的计算只花了 799ms，而 CPU 花了 7511ms，这几乎是 10 倍的时间。

我没有就此罢休，通过改变数组大小，对同样的测试进行了几个循环。

首先，我试着用较小的数组大小，我注意到 CPU 比 GPU 花费的时间要少。例如，当我把数组大小减少到 10 个元素时，CPU 只花了 0.14ms，而 GPU 花了 108ms。

但随着数组大小的增加，GPU 和 CPU 所花的时间有明显的差距。正如你在上图中看到的，GPU 是赢家。