调试经验——Ryzen vs i7（AMD锐龙处理器与Intel i7处理器性能对比）

最新推荐文章于 2023-05-08 10:02:22 发布
最新推荐文章于 2023-05-08 10:02:22 发布
阅读量1.7k 收藏 1
点赞数
分类专栏： 机器学习、深度学习（ML/DL) 硬件（hardware）
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hpdlzu80100/article/details/113124806
版权

在运行深度学习案例时，无意中发现Ryzen处理器性能竟然要比i7高好几倍！

Ryzen: AMD Ryzen 5 4500U with Radeon Graphics, 2.38 GHz 

i7: Intel(R) Core(TM) i7-6700HQ CPU @ 2.60 GHz 2.59 GHz

参考文章：吴恩达深度学习学习笔记——C1W2——神经网络基础——作业1——Python及Numpy基础

https://blog.csdn.net/hpdlzu80100/article/details/113007293

测试代码：

传统方法(classic):

import time

x1 = [9, 2, 5, 0, 0, 7, 5, 0, 0, 0, 9, 2, 5, 0, 0]
x2 = [9, 2, 2, 9, 0, 9, 2, 5, 0, 0, 9, 2, 5, 0, 0]

### CLASSIC DOT PRODUCT OF VECTORS IMPLEMENTATION ###
tic = time.process_time()
dot = 0
iterations = 10000
for k in range (iterations):
    for i in range(len(x1)):
        dot+= x1[i]*x2[i]
toc = time.process_time()
print ("dot = " + str(dot) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

### CLASSIC OUTER PRODUCT IMPLEMENTATION ###
tic = time.process_time()
outer = np.zeros((len(x1),len(x2))) # we create a len(x1)*len(x2) matrix with only zeros
for k in range (iterations):
    for i in range(len(x1)):
        for j in range(len(x2)):
            outer[i,j] = x1[i]*x2[j]
toc = time.process_time()
print ("outer = " + str(outer) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

### CLASSIC ELEMENTWISE IMPLEMENTATION ###
tic = time.process_time()
mul = np.zeros(len(x1))
for k in range (iterations):
    for i in range(len(x1)):
        mul[i] = x1[i]*x2[i]
toc = time.process_time()
print ("elementwise multiplication = " + str(mul) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

### CLASSIC GENERAL DOT PRODUCT IMPLEMENTATION ###
W = np.random.rand(3,len(x1)) # Random 3*len(x1) numpy array
tic = time.process_time()
gdot = np.zeros(W.shape[0])
for k in range (iterations):
    for i in range(W.shape[0]):
        for j in range(len(x1)):
            gdot[i] += W[i,j]*x1[j]
toc = time.process_time()
print ("gdot = " + str(gdot) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

向量化方法(vectorization):

x1 = [9, 2, 5, 0, 0, 7, 5, 0, 0, 0, 9, 2, 5, 0, 0]
x2 = [9, 2, 2, 9, 0, 9, 2, 5, 0, 0, 9, 2, 5, 0, 0]

### VECTORIZED DOT PRODUCT OF VECTORS ###
tic = time.process_time()
iterations = 10000
for k in range (iterations):
    dot = np.dot(x1,x2)
toc = time.process_time()
print ("dot = " + str(dot) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

### VECTORIZED OUTER PRODUCT ###
tic = time.process_time()
for k in range (iterations):
    outer = np.outer(x1,x2)
toc = time.process_time()
print ("outer = " + str(outer) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

### VECTORIZED ELEMENTWISE MULTIPLICATION ###
tic = time.process_time()
for k in range (iterations):
    mul = np.multiply(x1,x2)
toc = time.process_time()
print ("elementwise multiplication = " + str(mul) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

### VECTORIZED GENERAL DOT PRODUCT ###
tic = time.process_time()
for k in range (iterations):
    dot = np.dot(W,x1)
toc = time.process_time()
print ("gdot = " + str(dot) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

测试结果：

 iterations = 10000  
CPUdotoutermulgdot
i7_classic140.6252437.5171.8751343.75
i7_vectorization187.5250156.2593.75
i7_classic per iteration0.0140630.243750.0171880.134375
i7_vectorization per iteration0.018750.0250.0156250.009375
Ryzen_classic15.625718.7531.25421.875
Ryzen_vectorization46.87593.7546.87531.25
Ryzen_classic per iteration0.0015630.0718750.0031250.042188
Ryzen_vectorization per iteration0.0046880.0093750.0046880.003125
     
     
     
vectorization improvement    
i70.759.751.114.33333
Razen0.3333337.6666670.66666713.5
     
CPU compare (Ryzen vs i7)    
classic93.3913045.53.185185
vectorization42.6666673.3333333

 

测试结论：

用classic方法进行四种运算（dot, outer, mul, gdot）测试,Ryzen性能是i7的3倍以上，最高达9倍

用vectorization方法进行四种运算（dot, outer, mul, gdot）测试,Ryzen性能是i7的2倍以上，最高达4倍

这个结果真是让我大吃一惊，难道家里的i7电脑已经被公司电脑吊打了？

 

原始测试数据：

i7 - classic - raw data
dot = 2780000
 ----- Computation time = 140.625ms
outer = [[81. 18. 18. 81.  0. 81. 18. 45.  0.  0. 81. 18. 45.  0.  0.]
 [18.  4.  4. 18.  0. 18.  4. 10.  0.  0. 18.  4. 10.  0.  0.]
 [45. 10. 10. 45.  0. 45. 10. 25.  0.  0. 45. 10. 25.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [63. 14. 14. 63.  0. 63. 14. 35.  0.  0. 63. 14. 35.  0.  0.]
 [45. 10. 10. 45.  0. 45. 10. 25.  0.  0. 45. 10. 25.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [81. 18. 18. 81.  0. 81. 18. 45.  0.  0. 81. 18. 45.  0.  0.]
 [18.  4.  4. 18.  0. 18.  4. 10.  0.  0. 18.  4. 10.  0.  0.]
 [45. 10. 10. 45.  0. 45. 10. 25.  0.  0. 45. 10. 25.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]]
 ----- Computation time = 2437.5ms
elementwise multiplication = [81.  4. 10.  0.  0. 63. 10.  0.  0.  0. 81.  4. 25.  0.  0.]
 ----- Computation time = 171.875ms
gdot = [195729.74508604 317852.95629331 243716.93089645]
 ----- Computation time = 1343.75ms


i7 - vectorization - raw data
dot = 278
 ----- Computation time = 187.5ms
outer = [[81 18 18 81  0 81 18 45  0  0 81 18 45  0  0]
 [18  4  4 18  0 18  4 10  0  0 18  4 10  0  0]
 [45 10 10 45  0 45 10 25  0  0 45 10 25  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [63 14 14 63  0 63 14 35  0  0 63 14 35  0  0]
 [45 10 10 45  0 45 10 25  0  0 45 10 25  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [81 18 18 81  0 81 18 45  0  0 81 18 45  0  0]
 [18  4  4 18  0 18  4 10  0  0 18  4 10  0  0]
 [45 10 10 45  0 45 10 25  0  0 45 10 25  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]]
 ----- Computation time = 250.0ms
elementwise multiplication = [81  4 10  0  0 63 10  0  0  0 81  4 25  0  0]
 ----- Computation time = 156.25ms
gdot = [19.57297451 31.78529563 24.37169309]
 ----- Computation time = 93.75ms


Razen - classic - raw data
dot = 2780000
 ----- Computation time = 15.625ms
outer = [[81. 18. 18. 81.  0. 81. 18. 45.  0.  0. 81. 18. 45.  0.  0.]
 [18.  4.  4. 18.  0. 18.  4. 10.  0.  0. 18.  4. 10.  0.  0.]
 [45. 10. 10. 45.  0. 45. 10. 25.  0.  0. 45. 10. 25.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [63. 14. 14. 63.  0. 63. 14. 35.  0.  0. 63. 14. 35.  0.  0.]
 [45. 10. 10. 45.  0. 45. 10. 25.  0.  0. 45. 10. 25.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [81. 18. 18. 81.  0. 81. 18. 45.  0.  0. 81. 18. 45.  0.  0.]
 [18.  4.  4. 18.  0. 18.  4. 10.  0.  0. 18.  4. 10.  0.  0.]
 [45. 10. 10. 45.  0. 45. 10. 25.  0.  0. 45. 10. 25.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]]
 ----- Computation time = 718.75ms
elementwise multiplication = [81.  4. 10.  0.  0. 63. 10.  0.  0.  0. 81.  4. 25.  0.  0.]
 ----- Computation time = 31.25ms
gdot = [229870.73793486 240137.20984987 108019.8698111 ]
 ----- Computation time = 421.875ms


Razen - vectorization - raw data
dot = 278
 ----- Computation time = 46.875ms
outer = [[81 18 18 81  0 81 18 45  0  0 81 18 45  0  0]
 [18  4  4 18  0 18  4 10  0  0 18  4 10  0  0]
 [45 10 10 45  0 45 10 25  0  0 45 10 25  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [63 14 14 63  0 63 14 35  0  0 63 14 35  0  0]
 [45 10 10 45  0 45 10 25  0  0 45 10 25  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [81 18 18 81  0 81 18 45  0  0 81 18 45  0  0]
 [18  4  4 18  0 18  4 10  0  0 18  4 10  0  0]
 [45 10 10 45  0 45 10 25  0  0 45 10 25  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]]
 ----- Computation time = 93.75ms
elementwise multiplication = [81  4 10  0  0 63 10  0  0  0 81  4 25  0  0]
 ----- Computation time = 46.875ms
gdot = [22.98707379 24.01372098 10.80198698]
 ----- Computation time = 31.25ms
 

预见未来to50
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
高性能AMD锐龙处理器加持 ThinkPad T14 Gen2锐龙商务本.pdf
09-25
在性能测试中，如CINEBENCH R15和R20，AMD锐龙7 PRO 5850U展现出强大的多核心性能，远超Intel的十一代酷睿i7-1185G7，适合处理复杂的办公任务。 笔记本的设计秉承了ThinkPad的经典风格，黑色外观，类肤涂层，不易留...
cpu天梯图2021 cpu性能排行榜2021最新版
热门推荐
晴天雨落，风雨兼程，归来仍是少年。
04-23 3万+
​比特币自诞生以来，就获得了一大批忠实的信(nao)仰(can)者(fen)。因为总量恒定（2100万），无法伪造，无法双花，通过算力证明，实现了去中心化。 在信仰者眼中，比特币就是数字黄金，因为和法币可以任意增发不同，比特币最大的特点是总量恒定，发行量约四年减半，目前已发行了85%以上。 理论上讲，比特币是一个通缩货币，这使得它与黄金有些类似。全球每年新挖的黄金远远赶不上经济规模的扩张，更赶不上法币的发行量，所以，黄金在不断地升值，也可以看作法币相对于黄金在不断贬值。 然而，近期全球经济动荡，股价油价大.
R5 4500U和i7-1065G7 哪个好
电脑
08-28 4211
4500U是不带SMT的6核处理器-这意味着没有其他逻辑线程。它具有2.30 GHz – 4.00 GHz的基本频率和增强时频率，这是相当可观的，因为i7-1065G7具有较低的频率– 1.30 GHz – 3.90 GHz。 R5 4500U和i7-1065G7哪个更适合用在笔记本上 懂笔记本的人这样选! https://list.jd.com/list.html? 后者具有4个核心和8个线程，其缓存大小为8MB –与4500U相同。两个CPU的TDP等级几乎相同-英特尔竞争者的TDP降低值更高。凭借其L
锐龙r5 4500U和i7 1065G7 哪个好
sinat_50517307的博客
10-16 2354
锐龙5 4500U：6核心6线程，主频2.3-4.0GHz，二级缓存3MB、三级缓存8MB，集成Vega 6 GPU，384个流处理器，频率1500MHz。 选r5 4500u还是i7-1065G7这些点很重要!看完你就知道了 https://list.jd.com/list.html? i7-1065G7规格为4核心8线程，三级缓存8MB，CPU基准频率1.3GHz，全核睿频3.5GHz，单核睿频3.9GHz，集成64个单元的IrisPlus核芯显卡，最高频率1.1GHz，热设计功耗标准15W，可开放到
深度学习（机器学习、神经网络）的最佳 CPU推荐
专注于3D渲染行业，分享3D渲染的经验和技巧
05-08 6288
选择用于数据科学的 CPU 或用于挖矿的CPU 时需要考虑很多因素，但本文将探讨其中最重要的三个因素：成本、功耗和性能。希望在阅读本购买指南后，您会了解哪种计算机最适合您的需求！决定处理器时需要考虑许多因素。选择芯片时，内核数量、时钟速度和价格范围都会发挥作用。在这里，我们将分解最重要的考虑因素，并帮助您决定哪种 CPU 适合您。首先，对于这个问题，没有一个适合所有人的答案。很大程度上取决于您正在从事的深度学习项目类型以及您的预算中有多少可用资金。
0805封装尺寸_如何使用AD给元器件画3D封装模型
weixin_39937412的博客
11-27 3479
在项目Layout完成后，我们需要检查元器件摆放位置是否合理，如果每个器件都由3D模型，我们便可以很方便的完成这个过程。所以我们画PCB封装的时候，最好把每个元器件的3D模型补上。AD本身带有3D模型绘制功能，在画一些简单的元器件3D模型时，我们可以运用到这个功能。下面我们一起来看看AD的3D模型绘制功能。首先，在封装库的编辑界面下，我们点击菜单栏目的Place->3D Body，见图(1)...
可以用锐龙吗 深度学习_现在你可以通过深度学习用别人的声音来说话了
weixin_39738273的博客
01-05 381
语音合成（Text-to-speech，TTS）是指文本到音频的人工转换，也可以说给定一段文字去生成对应的人类读音。人类通过阅读来完成这项任务，而一个好的TTS系统是让计算机自动完成这项任务。在打造这样一个系统时，一个非常有趣的地方是为生成的音频选择哪个声音，是男人还是女人的声音？声音是大还是小？在使用深度学习创建TTS时，这有一个限制，你必须收集文本-音频的数据集，而录制演讲的演讲者可能是固定的...
碾压intel八代处理器？第二代AMD锐龙处理器首测.pdf
09-25
在处理器领域，AMD Ryzen 7 2700X和Ryzen 5 2600X是AMD推出的第二代锐龙处理器，与Intel的第八代酷睿系列，如i7-8700K和i5-8600K形成竞争。这两款AMD处理器的主要提升在于工作频率的增加，增强了单核性能，同时采用...
锐龙AMD Ryzen处理器正式解禁亮相.pdf
09-25
性能测试结果显示，锐龙AMD Ryzen处理器的性能已经超过了英特尔Core i7-6900K，成为目前最强的处理器产品之一。这种性能优势使得锐龙AMD Ryzen处理器在市场上具有强大的竞争力。 价格方面，锐龙AMD Ryzen处理器的...
锐龙AMD Ryzen 5处理器即将上市.pdf
09-25
1. 锐龙AMD Ryzen 5处理器的发布：AMD即将发布锐龙AMD Ryzen 5处理器，继锐龙AMD Ryzen 7系列桌面处理器之后，为游戏玩家和内容创作者提供颠覆性的性能和性价比。 2. 锐龙AMD Ryzen 5处理器的特点：基于强大、高效...
极具性价比的性能怪兽 锐龙AMD Ryzen 7 1800X处理器.pdf
09-25
AMD Ryzen 7 1800X 处理器性能测试 AMD Ryzen 7 1800X 处理器是 AMD 公司最新推出的高性能处理器，基于全新的“Zen”架构打造，采用 8 核 16 线程设计，总缓存为 20MB，处理器频率为 3.6 GHz - 4.0 GHz。该处理器...
逆袭还能继续上演？ 全新第二代AMD锐龙处理器碰撞八代酷睿.pdf
09-25
本文将深入探讨AMD的第二代锐龙处理器与Intel的八代酷睿处理器之间的竞争，特别是AMD的12nm LP工艺如何帮助其在性能和效率方面取得突破。AMD的第二代锐龙处理器，采用的是格罗方德（GlobalFoundries）的12nm LP工艺...
那个有战斗力的AMD,又回来了 AMD锐龙Ryzen 5 1600X处理器.pdf
09-25
AMD锐龙Ryzen 5 1600X处理器是AMD公司基于Zen架构推出的一款高性能处理器，它的回归标志着AMD在处理器市场上的竞争力显著提升。Zen架构的设计突破了以往的性能、能耗和价格限制，为高端市场注入了新的活力。这款...
锐龙AMD Ryzen 7台式处理器全球上市!.pdf
09-25
1. 锐龙AMD Ryzen 7台式处理器的发布：锐龙AMD Ryzen 7台式处理器是AMD最新发布的高性能处理器，经过四年和累计超过两百万小时的开发， finally released in early March. 2. 五倍无损变焦技术：OPPO近日在巴塞罗那...
AMD发布第二代锐龙处理器.pdf
09-25
AMD发布第二代锐龙处理器 AMD发布第二代锐龙处理器是业界备受关注的一件大事。这款处理器系列率先采用12nm制程，游戏性能比第一代锐龙处理器最高提升15%，并提供多种增强功能，包括第二代精准频率提升技术...
python编程amd和intel哪个好_2020年12月，深度学习推荐使用AMD还是INTEL的CPU？
weixin_39984201的博客
12-16 1万+
Google Colab里GPU一般搭配的是Intel志强系列服务器CPU。Google 分配给你的CPU资源一般是单核心，频率约2.3Ghz可以看出来，做深度学习的话其实跟CPU关系不大，主要是吃GPU，而且GPU的显存是最重要的，性能不够可以多跑一会，但是显存不够的话，模型就直接跑不起来。可以适当把CPU和主板的一部分预算挪到显卡上，用RTX3090做深度学习会舒服很多。CPU的话，Intel...
联想ThinkPad E14开箱测评跑分
weixin_44498266的博客
08-01 1万+
特别感谢黑科技小王子治文兄推荐的机型，教我测评，把我从小白带进了笔记本发烧友的行列中。 抓住7月的尾巴，2020年7月31日夜里22点58分下单联想ThinkPad E14。今天建军节，中午刚好到货，迫不及待开箱，京东货源，售价￥3999，可以说是ThinkPad的最低价系列之一了。非常适合网页程序办公开发人员，把钱花在CPU和内存上。虽然显卡很鸡肋，但是对于不打游戏不玩设计的人来说，不太影响使用体验。 开箱过程 我录了一个视频，过两天上传到b站上。 硬件参数 处理器 处理器 AMD Ryzen 5 4.
吴恩达深度学习课后编程题讲解（python）
xiao__run的博客
09-25 1万+
小博极其喜欢这位人工智能领域大牛，非常膜拜，早在他出机器学习的课程的时候，就对机器学习产生了浓厚的兴趣，最近他又推出深度学习的课程，实在是又大火了一把，小博怎能不关注呢，我也跟随着吴恩达老师慢慢敲开深度学习的大门。 吴恩达是斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。吴恩达主要成就在机器学习和人工智能领域，他是人工智能和机器学习领域最权威的学者之一。 2010年，时任斯坦福大
AMD锐龙7 5800H 处理器
最新发布
05-30
AMD锐龙7 5800H 是 AMD 公司推出的一款基于 Zen 3 架构的高性能移动处理器。它拥有 8 个物理核心和 16 个线程，基础频率为 3.2 GHz，最高加速频率可达 4.4 GHz。该处理器采用 7 纳米工艺制造，支持 PCIe 4.0 总线和 DDR4 内存，TDP（热设计功耗）为 45W。AMD 锐龙 7 5800H 还集成了 AMD 最新的 RDNA2 架构的 Radeon 显卡核心，性能表现非常出色，适合高性能游戏本、创作本等需求较高的场景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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