Rasberry Pi 3与英特尔酷睿i7(浮点运算)相比的性能

Question

我做了一个简单的性能比较,侧重于使用C#的浮点运算,针对带有Windows 10 IoT的Raspberry Pi 3 Model 2,我将它与Intel Core i7-6500U CPU @ 2.50GHz进行了比较.

Raspberry Pi 3 Model B V1.2 - 测试结果 - 图表

英特尔酷睿i7-6500U CPU @ 2.50GHz - x64测试结果 - 图表

英特尔酷睿i7 仅比Raspberry Pi 3 快十二倍(x64)! - 根据那些测试.

准确度为11.67,并计算每个平台在这些测试中实现的最佳性能.两个平台在并行运行的四个线程中实现了最佳性能(非常简单,独立的计算).

问题:测量和比较这些平台的计算性能的正确方法是什么？目的是比较优化算法,机器学习算法,统计分析等领域的计算性能.因此,我的重点是浮点运算.

有一些基准测试(如MWIPS)和MIPS或FLOPS等测量.但我没有找到一种方法来比较不同的CPU平台的计算能力.

我找到了Roy Longbottom的一个比较(谷歌"Roy Longbottom的Raspberry Pi,Pi 2和Pi 3基准" - 我不能在这里发布更多链接)但根据他的基准测试,Raspberry Pi 3的速度只比英特尔酷睿i7快4倍(x64)建筑,MFLOPS比较).与我的结果非常不同.

以下是我执行的测试的详细信息:

测试是围绕应该迭代执行的简单操作构建的:

    private static float SingleAverageCalc(float seed, long nTimes)
    {
        float x1 = seed, x2 = 0;
        long n = 0;

        for (; n < nTimes; ++n)
        {
            x2 = x2 + x1 * n;
        }

        return x2 / n;
    }

其中种子在调用函数随机生成的,N次是迭代的次数.意图是避免简单的编译时优化.

在单线程和多线程中,使用各种迭代次数(1M,10M,100M和1B)多次调用此测试函数.多线程测试如下:

    private static async void RunTestMT(string name, long n, int tn, Func<float, long, float> f)
    {
        float seed = (float)new Random().NextDouble();
        DateTime s1 = DateTime.Now;
        List<IAsyncAction> threads = new List<IAsyncAction>();
        for (int i = 0; i < tn; i++)
        {
            threads.Add( ThreadPool.RunAsync((operation) => { f(seed, n/tn); }, WorkItemPriority.High));
        }
        for (int i = 0; i < tn; i++)
        {
            threads[i].AsTask().Wait();
        }
        TimeSpan dt = DateTime.Now - s1;

        Debug.WriteLine(String.Format("{0} ({1:N0}; {3}T): {2:mm\\:ss\\.fff}", name, n, dt, tn));
    }

测试已在调试模式下运行.应用程序构建为UWP(通用Windows平台).用于Raspberry Pi的ARM体系结构和用于Intel的x86.

Answer 1

测试已在调试模式下运行.

刚注意到最后一部分./捂脸.如果C#debug-mode与MSVC,gcc和clang等编译器中的调试模式类似,那就没用了,浪费了每个人的时间.

调试和优化代码之间的速度比在不同的微体系结构中不是恒定的.它因许多因素而异,包括正在测试的特定代码.如果有的话,额外的存储/重新加载将引入额外的延迟并且比ARM更多地惩罚Skylake,因为当像这样的延迟瓶颈并没有减慢速度时,Skylake能够实现更高的每时钟指令.

如果您在发布模式下重试并找到类似的结果,那么您的问题的答案如下:

如果您没有使用任何类型的快速数学选项让C#重新排序FP操作,那么x2 = x2 + x1 * n;瓶颈主要是延迟(FP添加),而不是吞吐量.

FP数学不是关联的,因此重新排列它x2 += (x1 * n + x1 * (n+1)) + (x1 * (n+2) + x1 * (n+3))会改变结果.这种优化是关键,并且会使循环携带的依赖链(一个FP添加)短于独立依赖链的吞吐量.

如果C#有一个快速数学选项,允许编译器优化,就好像FP数学是关联的,智能编译器只会将整个循环转换为x2 = x1 * (nTimes * (nTimes+1) / 2).

一个不那么狡猾的编译器可能只是用一堆指令级并行来SIMD矢量化它,这将使Skylake能够实现每个时钟256b向量的两个FMA的峰值吞吐量.(每个向量是8个浮点数或4个双精度数,并且融合乘法数是a = a + b*c.)

在Skylake上,FMA的延迟为4个周期,因此您(或编译器)需要使用8 个累加器向量来使FMA执行单元饱和.(在Haswell和Broadwell,FMA延迟= 5个周期,因此您需要10个向量累加器来保持10*8单精度FMA在飞行中以最大化吞吐量.)

有关x86性能详细信息的更多信息,请参阅x86标记wiki.

当然,这也将有助于RPi中的ARM CPU,因为我认为它支持ARM的SIMD指令集.NEON具有128位向量.显然双精度矢量支持是AArch64中的新功能,但带NEON的32位ARM支持单精度矢量FP.

我不太了解ARM.