python使用ai-benchmark 测试本机cpu、 gpu性能

最新推荐文章于 2024-03-10 12:13:42 发布
最新推荐文章于 2024-03-10 12:13:42 发布
阅读量6.5k 收藏 6
点赞数
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/lzgeye/article/details/99463935
版权

 

  • 安装ai-benchmark

pip install ai-benchmark。注意，需要安装tensorflow才能运行。

使用方法如下：

from ai_benchmark import AIBenchmark
results = AIBenchmark().run()

 

  • 基本信息：

   *  TF Version: 1.13.1
*  Platform: Windows-10-10.0.17134-SP0
*  CPU: Intel(R) Core(TM) i7-8700 CPU @ 3.20GHz
*  CPU RAM: 8 GB
*  GPU/0: GeForce GTX 1050 Ti
*  GPU RAM: 2.9 GB
*  CUDA Version: 10.0
*  CUDA Build: V10.0.130

  • 得分：

   

CPU得分GPU得分
Device Inference Score: 220
Device Training Score: 244
Device AI Score: 464		Device Inference Score: 2987
Device Training Score: 3392
Device AI Score: 6379
  • cpu测试详细信息：

>>   AI-Benchmark-v.0.1.1   
>>   Let the AI Games begin..

*  TF Version: 1.13.1
*  Platform: Windows-10-10.0.17134-SP0
*  CPU: Intel(R) Core(TM) i7-8700 CPU @ 3.20GHz
*  CPU RAM: 8 GB

The benchmark is running...
The tests might take up to 20 minutes
Please don't interrupt the script

1/19. MobileNet-V2

1.1 - inference | batch=50, size=224x224: 1017 ± 11 ms
1.2 - training  | batch=50, size=224x224: 8686 ± 81 ms

2/19. Inception-V3

2.1 - inference | batch=20, size=346x346: 2404 ± 23 ms
2.2 - training  | batch=20, size=346x346: 12050 ± 39 ms

3/19. Inception-V4

3.1 - inference | batch=10, size=346x346: 2300 ± 44 ms
3.2 - training  | batch=10, size=346x346: 11301 ± 266 ms

4/19. Inception-ResNet-V2

4.1 - inference | batch=10, size=346x346: 2830 ± 98 ms
4.2 - training  | batch=8, size=346x346: 10579 ± 248 ms

5/19. ResNet-V2-50

5.1 - inference | batch=10, size=346x346: 1562 ± 51 ms
5.2 - training  | batch=10, size=346x346: 10839 ± 425 ms

6/19. ResNet-V2-152

6.1 - inference | batch=10, size=256x256: 2221 ± 106 ms
6.2 - training  | batch=10, size=256x256: 12712 ± 154 ms

7/19. VGG-16

7.1 - inference | batch=20, size=224x224: 3623 ± 68 ms
7.2 - training  | batch=2, size=224x224: 2850 ± 38 ms

8/19. SRCNN 9-5-5

8.1 - inference | batch=10, size=512x512: 21744 ± 1096 ms
8.2 - inference | batch=1, size=1536x1536: 9254 ± 2078 ms
8.3 - training  | batch=10, size=512x512: 66310.0 ± 0.0 ms

9/19. VGG-19 Super-Res

9.1 - inference | batch=10, size=256x256: 11661 ± 45 ms
9.2 - inference | batch=1, size=1024x1024: 19044 ± 213 ms
9.3 - training  | batch=10, size=224x224: 26208 ± 75 ms

10/19. ResNet-SRGAN

10.1 - inference | batch=10, size=512x512: 11413 ± 65 ms
10.2 - inference | batch=1, size=1536x1536: 10331 ± 22 ms
10.3 - training  | batch=5, size=512x512: 14918 ± 175 ms

11/19. ResNet-DPED

11.1 - inference | batch=10, size=256x256: 15302 ± 286 ms
11.2 - inference | batch=1, size=1024x1024: 23054 ± 95 ms
11.3 - training  | batch=15, size=128x128: 16276 ± 97 ms

12/19. U-Net

12.1 - inference | batch=4, size=512x512: 17697 ± 296 ms
12.2 - inference | batch=1, size=1024x1024: 17718 ± 417 ms
12.3 - training  | batch=4, size=256x256: 14775 ± 373 ms

13/19. Nvidia-SPADE

13.1 - inference | batch=5, size=128x128: 4587 ± 100 ms
13.2 - training  | batch=1, size=128x128: 5842 ± 147 ms

14/19. ICNet

14.1 - inference | batch=5, size=1024x1536: 3811 ± 61 ms
14.2 - training  | batch=10, size=1024x1536: 8543 ± 142 ms

15/19. PSPNet

15.1 - inference | batch=5, size=720x720: 18942 ± 361 ms
15.2 - training  | batch=1, size=512x512: 11080 ± 206 ms

16/19. DeepLab

16.1 - inference | batch=2, size=512x512: 4855 ± 121 ms
16.2 - training  | batch=1, size=384x384: 8205 ± 275 ms

17/19. Pixel-RNN

17.1 - inference | batch=50, size=64x64: 4452 ± 125 ms
17.2 - training  | batch=10, size=64x64: 8015 ± 113 ms

18/19. LSTM-Sentiment

18.1 - inference | batch=100, size=1024x300: 12555 ± 167 ms
18.2 - training  | batch=10, size=1024x300: 29360 ± 105 ms

19/19. GNMT-Translation

19.1 - inference | batch=1, size=1x20: 2011 ± 17 ms

Device Inference Score: 220
Device Training Score: 244
Device AI Score: 464

  • GPU测试详细信息：

AI-Benchmark-v.0.1.1   
>>   Let the AI Games begin..

*  TF Version: 1.13.1
*  Platform: Windows-10-10.0.17134-SP0
*  CPU: Intel(R) Core(TM) i7-8700 CPU @ 3.20GHz
*  CPU RAM: 8 GB
*  GPU/0: GeForce GTX 1050 Ti
*  GPU RAM: 2.9 GB
*  CUDA Version: 10.0
*  CUDA Build: V10.0.130

The benchmark is running...
The tests might take up to 20 minutes
Please don't interrupt the script

1/19. MobileNet-V2

1.1 - inference | batch=50, size=224x224: 154 ± 4 ms
1.2 - training  | batch=50, size=224x224: 725 ± 20 ms

2/19. Inception-V3

2.1 - inference | batch=20, size=346x346: 241 ± 1 ms
2.2 - training  | batch=20, size=346x346: 895 ± 3 ms

3/19. Inception-V4

3.1 - inference | batch=10, size=346x346: 240 ± 1 ms
3.2 - training  | batch=10, size=346x346: 948 ± 2 ms

4/19. Inception-ResNet-V2

4.1 - inference | batch=10, size=346x346: 299 ± 1 ms
4.2 - training  | batch=8, size=346x346: 952 ± 2 ms

5/19. ResNet-V2-50

5.1 - inference | batch=10, size=346x346: 166 ± 1 ms
5.2 - training  | batch=10, size=346x346: 582 ± 1 ms

6/19. ResNet-V2-152

6.1 - inference | batch=10, size=256x256: 225 ± 1 ms
6.2 - training  | batch=10, size=256x256: 830 ± 1 ms

7/19. VGG-16

7.1 - inference | batch=20, size=224x224: 395 ± 3 ms
7.2 - training  | batch=2, size=224x224: 588 ± 4 ms

8/19. SRCNN 9-5-5

8.1 - inference | batch=10, size=512x512: 404 ± 10 ms
8.2 - inference | batch=1, size=1536x1536: 352 ± 4 ms
8.3 - training  | batch=10, size=512x512: 1050 ± 4 ms

9/19. VGG-19 Super-Res

9.1 - inference | batch=10, size=256x256: 460 ± 15 ms
9.2 - inference | batch=1, size=1024x1024: 693 ± 2 ms
9.3 - training  | batch=10, size=224x224: 1165 ± 8 ms

10/19. ResNet-SRGAN

10.1 - inference | batch=10, size=512x512: 432 ± 9 ms
10.2 - inference | batch=1, size=1536x1536: 369 ± 2 ms
10.3 - training  | batch=5, size=512x512: 674 ± 6 ms

11/19. ResNet-DPED

11.1 - inference | batch=10, size=256x256: 506 ± 5 ms
11.2 - inference | batch=1, size=1024x1024: 907 ± 2 ms
11.3 - training  | batch=15, size=128x128: 790 ± 6 ms

12/19. U-Net

12.1 - inference | batch=4, size=512x512: 930 ± 3 ms
12.2 - inference | batch=1, size=1024x1024: 926 ± 3 ms
12.3 - training  | batch=4, size=256x256: 921 ± 1 ms

13/19. Nvidia-SPADE

13.1 - inference | batch=5, size=128x128: 480 ± 2 ms
13.2 - training  | batch=1, size=128x128: 753 ± 2 ms

14/19. ICNet

14.1 - inference | batch=5, size=1024x1536: 451 ± 18 ms
14.2 - training  | batch=10, size=1024x1536: 1106 ± 12 ms

15/19. PSPNet

15.1 - inference | batch=5, size=720x720: 1914 ± 11 ms
15.2 - training  | batch=1, size=512x512: 745 ± 3 ms

16/19. DeepLab

16.1 - inference | batch=2, size=512x512: 521 ± 1 ms
16.2 - training  | batch=1, size=384x384: 602 ± 2 ms

17/19. Pixel-RNN

17.1 - inference | batch=50, size=64x64: 1041 ± 13 ms
17.2 - training  | batch=10, size=64x64: 1225 ± 76 ms

18/19. LSTM-Sentiment

18.1 - inference | batch=100, size=1024x300: 1455 ± 32 ms
18.2 - training  | batch=10, size=1024x300: 2028 ± 15 ms

19/19. GNMT-Translation

19.1 - inference | batch=1, size=1x20: 386.7 ± 0.9 ms

Device Inference Score: 2987
Device Training Score: 3392
Device AI Score: 6379
 

lzgeye
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 14
    评论
Python库 | benchmark_runner-1.0.280-py3-none-any.whl
02-25
python库。 资源全名：benchmark_runner-1.0.280-py3-none-any.whl
python之cpu性能检测脚本
noc_lemontree的博客
05-12 5987
环境： ubuntu 14.04+python2.7 功能说明： 按时间间隔持续进行cpu占用率的检测，当cpu负载超过%60时，进行提示，并且可以根据进程名字杀死该进程 代码： #coding:utf-8 import os import time print "cpu dedecting" flag=True while flag: os.system(r"top -n 1 >
python简单代码测试性能cpu-python专项测试——性能测试
weixin_39774445的博客
11-11 1372
经常关注的性能指标：app启动的耗时；cpu占比流量消耗电量消耗内存消耗流畅度过度渲染一 启动耗时1 启动方式分类：冷启动—进程首次启动并加载数据；热启动—进程已经启动但在后台运行的情况下，再次启动2 冷/热启动app命令：adb shell am start -W -n Package/activity ，会得到一个app启动的耗时，可以作为参考；冷启动后停止app命令： adb shell a...
rk3399使用阿里推理引擎MNN使用cpu和gpu进行benchmark，OpenCL效果不佳？
最新发布
darcsdn
03-10 363
然后将build目录下的libMNN.so以及benchmark.out和上级目录下的benchmark的model放到一起，同时libMNN.so需要放到rk3399的lib目录下。可以看到，gpu使用上很慢且存在算子的问题，实际上在rk3568上测试opencl很流畅且没有问题，这里留下问题，之后探究。然后运行benchmark测试，第二个参数：loop测试次数，第4个参数：0代表使用cpu，3代表使用opencl。
处理BenchMark图片代码（python）
11-30
本代码将benchmark图片中的人物提取出来(去除不相关的背景图像)，分离到三个文件夹(对应原始图，灰度图，伪彩色图)
AIBench-开源
04-25
AIBench（人工智能workBENCH）是一种轻量级，非侵入性的，基于MVC的Java应用程序框架，旨在快速开发基于桌面的应用程序，特别侧重于科学领域。 有关更多信息，请访问：http://www.aibench.org
硬件的AI性能测试Python库发布！
Pythoncxy的博客
07-01 352
目前人工智能技术发展速度很快，也很吸引眼球。但是对于各种多如牛毛的方法，目前并米有一个可靠的精准的基准来衡量各项硬件在不同算法训练和推理的性能。 Python学习交流群：1004391443 现在，不用愁了。国外的一个哥们， Andrey Ignatov发布了一个python库。大家可以利用这个python库测试自己硬件的性能！ AI Benchmark Alph...
AI Benchmark测试原理、v4测试项变化以及榜单数据解读
田海立@CSDN
10-03 6509
AI Benchmark这里特指ETHZ（苏黎世联邦理工学院）的AI性能评测工具。最新其发布了v4版本以及基于这个版本的soc和手机AI性能数据。本文分析了AI Benchmark测试的原理，v4版本的变化，以及榜单头部海思麒麟990 5G与MTK天玑1000+的对比。据此也就能解读AI-Benchmark榜单​​​​​​​上各个数据的含义了。
500亿美元！AI将颠覆生物科技行业；120个适合入门练习的Python项目；文案自动检查纠正工具；百万人脸图像数据集；前沿论文 | ShowMeAI资讯日报
热门推荐
ShowMeAI研究中心
11-01 1万+
文案自动纠正或检查建议工具、基于预训练的句向量生成工具(Python)、将神经网络转换成高性能CUDA/HIP C++代码、数据优先的Rust原生UI设计工具包、 Python项目管理器、适合新手的120个数据科学项目(Python)、生成模型的隐空间速览探索、面向人脸识别的百万人脸图像数据集、文本指导生成模型大列表、前沿论文…点击获取全部资讯
关于ai-benchmark（python包）的评分机制
qq_34740266的博客
04-05 626
剖析了ai-benchmark的ai算力评价方案的具体实现。
Python自动化测试框架：Pytest执行性能测试
主要分享测试的学习资源，帮助快速了解测试行业，帮助想转行、进阶、小白成长为高级测试工程师。
10-09 456
pytest中的pytest-benchmark插件，可以来执行基准测试也可以用来进行比较，它能测试代码的性能、内存使用率、CPU使用率等，并生成性能报告，本文就来详细介绍下pytest-benchmark如何做性能测试。
Python-Webenchmark一款基于命令行的网站压测小工具
08-10
支持HTTP GET, POST, PUT, DELETE, HEAD操作 支持长连接 支持多个URL混合测试 支持超时时间设置 支持身份认证， Basic Auth和Digest Auth
pyhpc-benchmarks:一套基准测试，可测试Python最流行的高性能库的顺序CPU和GPU性能
05-01
适用于Python的HPC基准 这是一组基准测试，用于测试使用Python前端的各种计算后端的顺序CPU和GPU性能。 具体来说，我们想测试哪种高性能后端最适合地球物理（基于有限差分）的模拟。 内容 常问问题 为什么？ 科学的Python生态系统正在蓬勃发展，但是Python中的高性能计算还不是真正的事情。 我们尝试来更改此，但是我们应该使用哪个后端进行计算？ Python前端到高性能后端的开发需要大量的时间和资源，但是这些通常是为深度学习量身定制的。 我们想了解一下，通过（滥用）这些库进行地球物理建模，我们是否可以从这些进展中获利。 为什么基准看起来如此怪异？ 这些或多或少是逐字记录副本（即物理模型的实际部分）。 大多数地球系统和气候模型组件都基于有限差分方案来计算导数。 这可以通过数组的索引移位（例如0.5 * (arr[1:] + arr[:-1]) ， arr在每个点的一
gpu-benchmark:通过 OpenCL 的 GPU 基准测试
07-14
GPU-Benchmarking-OpenCL 版权所有 (c) 2014，龙 (Ryan) 南宫。 保留所有权利。 邮箱： 创建时间：2014 年 7 月 15 日 注意：在运行此基准测试程序之前，您可能需要下载并安装 OpenCL 平台。 请从下载 Nvidia OpenCL 平台或来自英特尔 OpenCL 平台基于您的图形卡的供应商。 运行内存基准测试 {host->device/device->host/device->device} 使用 1 字节消息进行测试 gpu_start -m1b 用 1kbyte 消息测试 gpu_start -m1kb 使用 1Mbyte 消息进行测试 gpu_start -m1mb 运行 GPU 速度基准测试浮点运算测试 gpu_start -sf 整数运算测试 gpu_start -si
Kafka设计解析（六）Kafka性能测试方法及Benchmark报告
01-27
本文是系列文章的第4篇， 第一篇"第二篇第三篇第四篇第五篇本文详细介绍了Kafka性能测试方法及Benchmark报告。Kafka提供了非常多有用的工具，如Kafka设计解析（四）-Kafka HighAvailability（下）中提到的运维类工具——PartitionReassign Tool，PreferredReplicaLeaderElectionTool，Replica
s3-benchmark:性能测试，用于比较AWS与Wasabi S3系统
03-11
介绍 s3-benchmark是Wasabi提供的一种性能测试工具，用于对对象执行S3操作（PUT，GET和DELETE）。 除了存储桶配置之外，还针对不同的测试指定了对象大小和线程数。 该测试工具大致基于用于测试性能的Nasuni（ ）性能基准测试方法不同的云存储提供商 先决条件 要利用此工具，必须满足以下先决条件： Git开发环境 Ubuntu Linux Shell编程技巧 访问Go 1.7开发系统（仅当操作系统不是Ubuntu Linux 16.04时） 访问适当的AWS EC2（或等效的）计算资源（使用具有10 GB ENA的m4.10xlarge EC2 Ubuntu实现最佳性能） 建立程序 使用以下git命令以及任何方便的目录获取存储库的本地副本： git clone https://github.com/wasabi-tech/s3-benchmark.git 您
Python库 | ai-benchmark-0.1.0.tar.gz
02-28
python库。 资源全名：ai-benchmark-0.1.0.tar.gz
pytest-benchmark, 测试代码的py.test 夹具.zip
09-18
pytest-benchmark, 测试代码的py.test 夹具 概述文档测试包 用于代码测试的py.test 夹具。 它将测试分组成被校准为所选定时器的圆。 请参见校准和常见问题解答。自由软件：BSD许可安装
10种检测Python程序运行时间、CPU和内存占用的方法
12-25
在运行复杂的Python程序时，执行时间会很长，这时也许想提高程序的执行效率。但该怎么做呢？ 首先，要有个工具能够检测代码中的瓶颈，例如，找到哪一部分执行时间比较长。接着，就针对这一部分进行优化。 同时，还需要控制内存和CPU的使用，这样可以在另一方面优化代码。 因此，在这篇文章中我将介绍7个不同的Python工具，来检查代码中函数的执行时间以及内存和CPU的使用。 1. 使用装饰器来衡量函数执行时间 有一个简单方法，那就是定义一个装饰器来测量函数的执行时间，并输出结果：   import time from functools import wraps def fn_timer(func
redis-benchmark性能测试
09-13
你好！关于 Redis 的性能测试，你可以使用内置的 `redis-benchmark` 工具来进行测试。该工具可以模拟多个并发客户端对 Redis 进行读写操作，从而评估 Redis 服务器的性能。 你可以使用以下命令运行 `redis-benchmark`： ``` redis-benchmark [options] ``` 一些常用的选项包括： - `-h host`：指定 Redis 服务器的主机名，默认为 `127.0.0.1`。 - `-p port`：指定 Redis 服务器的端口，默认为 `6379`。 - `-n requests`：指定要执行的请求数，默认为 `100000`。 - `-c clients`：指定并发客户端数，默认为 `50`。 - `-t test`：指定要执行的测试类型，例如 `get`、`set` 等，默认为执行所有测试。 - `-d data-size`：指定数据大小（字节），在某些测试类型中会使用到，默认为 `2`。 例如，要执行一个包含 10000 个请求的 GET 测试，你可以运行以下命令： ``` redis-benchmark -n 10000 -t get ``` 请注意，性能测试的结果受多种因素影响，包括网络延迟、硬件性能等。因此，最好在真实环境中进行测试，并根据实际情况进行调整和优化。 希望这可以帮到你！如果你有其他问题，请随时提问。

“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 14
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