# B02: raytracing
###### tags: `sysprog2017`
:::info
主講人: [jserv](http://wiki.csie.ncku.edu.tw/User/jserv) / 課程討論區: [2017 年系統軟體課程](https://www.facebook.com/groups/system.software2017/)
:mega: 返回「[嵌入式作業系統設計與實作](http://wiki.csie.ncku.edu.tw/sysprog/schedule)」課程進度表
:::
* ==作業解說 [video](https://www.youtube.com/watch?v=m1RmfOfSwno)==，請對照觀看，只要看 "Homework 2" 的部份
* ==參考實做程式的解說 [video](https://www.youtube.com/watch?v=V_rLyzecuaE)==，[對應的共筆](https://embedded2016.hackpad.com/ep/pad/static/f5CCUGMQ4Kp)

## 預先準備動作

* 參照 [phonebook](https://hackmd.io/s/rJYD4UPKe) 的指示，在實體機器安裝 GNU/Linux 和相關的開發套件
* 注意: 不得透過虛擬機器，因為我們在意實際機器上的效能
* 安裝以下開發工具

$ sudo apt-get update
$ sudo apt-get install graphviz
$ sudo apt-get install imagemagick

## 光影追蹤程式

* 光線追蹤 (Ray tracing) 是三維電腦圖形學中的算繪演算法 (rendering algorithm)，跟蹤從眼睛發出的光線，而非是光源發出的光線，藉由預先編排好的場景，以數學模型顯現出來，可得到類似於光線投射與掃描線描繪方法的結果，對於反射與折射，可有更準確的模擬效果，效率非常高，所以當追求高品質的效果時，經常使用這種方法
* 在物理學中，光線追跡可以用來計算光束在介質中傳播的情況。在介質中傳播時，光束可能會被介質吸收，改變傳播方向或者射出介質表面等。我們通過計算理想化的窄光束（光線）通過介質中的情形來解決這種複雜的情況
* 在實際應用中，可將各種電磁波或者微小粒子看成理想化的窄波束（即光線），基於這種假設，人們利用光線追跡來計算光線在介質中傳播的情況。光線追跡方法首先計算一條光線在被介質吸收，或者改變方向前，光線在介質中傳播的距離，方向以及到達的新位置，然後從這個新的位置產生出一條新的光線，使用同樣的處理方法，最終計算出一個完整的光線在介質中傳播的路徑
* 成大資訊系師生合作開發原始程式碼僅 650 行的光線追蹤 C 語言程式: [raytracing](https://github.com/sysprog21/raytracing)
* 取得原始程式碼、編譯和測試:

$ git clone https://github.com/sysprog21/raytracing 
$ cd raytracing
$ make
$ ./raytracing

* 出現 `# Rendering scene` 字樣後，請保持耐心，等待程式輸出 `Done!` 字樣，參考輸出:

Execution time of raytracing() : 2.994175 sec

* [raytracing](https://github.com/sysprog21/raytracing) 程式執行完畢，將輸出名為 `out.ppm` 的檔案，可透過 `eog` 或在圖形界面點擊開啟。參考輸出:
* 操作提示：
* 透過 `convert` 這個工具可將 PPM 轉為 PNG 或其他格式，如:

    $ convert out.ppm out.png

* `make check` 會檢驗程式碼輸出的圖片是否符合預期，符合的話會得到 “Verified OK!” 字樣

## 作業要求

* 在 GitHub 上 fork [raytracing](https://github.com/sysprog21/raytracing)，並思考如何改善程式效能
* 以 `make PROFILE=1` 重新編譯程式碼，並且學習 [gprof](https://sourceware.org/binutils/docs/gprof/)
* 參考 [使用 GNU gprof 進行 Linux 平台的程式分析](http://os.51cto.com/art/200703/41426.htm)
* 以 [gprof](https://sourceware.org/binutils/docs/gprof/) 指出效能瓶頸，並且著手改寫檔案 `math-toolkit.h` 在內的函式實做，充分紀錄效能差異在共筆
* 注意: 請勿更動編譯器最佳化選項 `-O0` (關閉最佳化)
* 檔案 `math-toolkit.h` 定義的若干數學操作函式很重要，可參考 [Investigating SSE cross product performance](http://threadlocalmutex.com/?p=8)、[MathFu](https://google.github.io/mathfu/) 原始程式碼，以及 [2015q3 Homework #1 Ext](http://wiki.csie.ncku.edu.tw/embedded/2015q3h1ext)
* 可善用 POSIX Thread, OpenMP, software pipelining, 以及 loop unrolling 一類的技巧來加速程式運作
* 將你的觀察、分析，以及各式效能改善過程，並善用 gnuplot 製圖，紀錄於「[作業區](https://hackmd.io/s/Hy2rieDYe)」

## 截止日期

* Mar 4, 2017 (含) 之前
* 越早在 GitHub 上有動態、越早接受 code review，評分越高

## 挑戰題

* 透過 SIMD 指令或 OpenCL 改寫 raytracing 內部實作
* 參考:
* [你也可以寫 SIMD 比寫網頁還快 - I](https://champyen.blogspot.com/2017/01/simd-i.html)
* [你也可以寫 SIMD 比寫網頁還快 - II](https://champyen.blogspot.com/2017/01/simd-ii.html)
* [你也可以寫 SIMD 比寫網頁還快 - III](https://champyen.blogspot.com/2017/01/simd-iii.html)
* 改寫 raytracing，引入更複雜、更華麗的模型 (model)

## 見賢思齊：共筆選讀
* [hugikun999](https://github.com/hugikun999/raytracing): [共筆](https://hackmd.io/s/HyHhgcv6)
* 利用 gprof2dot 工具，將最耗時的函式與呼叫的路徑視覺化，隨後他做了頗多 OpenMP 的實驗
* LanKuDot: [共筆](https://hackmd.io/s/rkggUeKa)
* 解讀了光線追蹤程式。以函式 raytracing 來說，傳入場景必要的物件：長方面 (牆)、球體、光源、背景色、攝影機位置及視角、攝影機畫面 (輸出圖片) 的長寬。
* 先計算以攝影機平面為基準的 vector space 的 basis vector，將結果存在 vector u, v, w。SAMPLES：為了反鋸齒 (MSAA，多重採樣反鋸齒法)，設定成取樣四個 pixel 作為該 pixel 的顏色。
* 觀察 raytracing 後，提出 raytracing 程式可進行平行化之處:
* 整張圖的運算切割：row 分, column 分或 block 分。缺點是每一個 pixel 的呼叫熱度不一樣，所以如果切出來熱度過於集中在某個 block，平行化的效果不高;
* 模糊化處理：每個 sample 做完運算後，再取平均;
* RGB：RGB 的計算結果是不互相干擾的，可以個別平行加。缺點 ray_color 計算完顏色一次輸出 RGB，如果每個 thread 只取其中一個值會太浪費;

## 參考資料
:::warning
引用過往作業成果時，務必標註出處 (包含 GitHub 帳號或人名)，連帶相關的超連結
:::
* [Ray tracing](https://en.wikipedia.org/wiki/Ray_tracing_(graphics))
* [認識與學習 Bash](http://linux.vbird.org/linux_basic/0320bash.php)
* [學習 Shell Scripts](http://linux.vbird.org/linux_basic/0340bashshell-scripts.php)
* [2016 年秋季班課程作業區](https://hackmd.io/s/H1B7-hGp): 提供錄影解說
* [2016 年春季班課程作業區](https://embedded2016.hackpad.com/2016q1-Homework-2-v37rXPJjRlW)