APU平台DirectX 12性能测试:超级大惊喜!

 

APU平台DirectX 12性能测试:超级大惊喜!

转自:http://www.ithome.com/html/digi/129840.htm

[size=1pc]微软将会在接下来的GDC 2015游戏开发者大会上公布DirectX 12规范,而前段时间AnandTech在微软、NVIDIA和AMD的帮助下完成了首个实际测试,虽然还不是最终版本,而且只是初步结果,不过可以看出DX12新规范在CPU效率和多线程上有惊人的提升。

[size=1pc]之前他们的测试平台是Intel Core系列CPU和各种主流以上独显,近日他们还补充了对AMD Kaveri APU平台的测试,这次会得出怎样的结果呢?

[size=1pc]

[size=1pc]这次他们继续使用微软和Oxide Games提供的新版Star Swarm星际虫群Demo进行测试,硬件平台上选择了AMD A10-7800和A8-7600两颗APU。而作为对比的,CPU方面有Intel Core i3-4330,显卡则是GTX 770,其余硬件配置参考下表。

[size=1pc]

[size=1pc]▼CPU并行测试:

[size=1pc]

[size=1pc]

[size=1pc]

[size=1pc]结果让人惊喜,之前我们也有提到过,DX11规范限制到单线程,对于AMD APU这种以量(核心数)取胜的处理器来说根本占不到便宜,大家也可以看到Core i3在DX11下的表现随时可以甩APU一条街。

[size=1pc]而DX12则支持2-4核并行,这样一来APU的多核优势也终于能发挥作用了,简直可以用“穷屌丝华丽翻身变高富帅”来形容。在高、中画质测试中几乎追上Core i3,Core i3性能提升了64%,而APU足足提升了170%以上。

[size=1pc]不过有点意外的是,低画质测试中APU与Core i3依然有不小的差距,尽管相比DX11有改善,但还是不怎么好看。AnandTech找到了问题所在,原来是这个Demo在低画质时的批量计数(batch counts)比中高档画质少得多,只有20K,而后者分别是55K和90K,此时CPU不再因为大量的批处理(batch submission)而成为性能瓶颈。

[size=1pc]

[size=1pc]接下来再看看上面提到的这个批处理时间,DX12极大地改善了这一方面的性能。在DX11之下,Core i3是毫无悬念地力压APU,而在DX12有了极大提升,直接从近31ms跳到6.4ms。不过也不要开心得太早,DX12在这里更照顾APU,两个参测型号均只有6.1ms和5.9ms,逆转“默秒全”的Core i3。

[size=1pc]▼GPU并行测试:

[size=1pc]

[size=1pc]

[size=1pc]最后再看看GPU性能表现,在DX12下独显是有很大的提升(搭配A10-7800),而集显则很快遇上了性能瓶颈,不过10-7800在低画质时的图形性能还是有44%的提升,而A8-7600则有25%,也算是有点好处吧。

[size=1pc]不过AnandTech再次提示大家不要过分解读这份结果,首先星际虫群是一个将最佳的结果展现出来的测试工具,未来的DX12将因此而受益,但提升幅度并不一定会像这个结果那样明显,因为CPU还要负责很多非渲染任务。

转载于:https://www.cnblogs.com/M-Silencer/p/4873040.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值