读取图片测试_精品:固态硬盘进阶知识:寿命篇:(一)22TB地狱级写入测试...

前言:

机械硬盘有着悠久的历史。

c338b6a3bc76ef92fa0f817133683db8.png

(世界上第一块机械硬盘和西部数据黑盘,图片来源百度百科)

以前(至少在2012年以前)我们绝大部分人使用的主流的PC存储媒介就是机械硬盘。

自2012年开始,固态硬盘逐渐发展,渐渐的大行其道,直至今日颇有革了机械硬盘命的势头。

0ba8ffc1878f5bccfff430f2dcf52707.png

(固态硬盘和机械硬盘的对比,图片来源今日头条)

众所周知在日常使用场景中固态硬盘的优势对比机械硬盘非常多,如:体积、噪音、性能、适应范围等都是把机械硬盘按在地上摩擦的。

从一开始的SLC,到后来普及元年的MLC,再到现在大行其道的TLC,以及被誉为未来可能具有彻底取代机械硬盘,成本比机械盘更低的技术—QLC。固态硬盘,容量正在变得越来越大,单GB价格变得越来越低,但是寿命也正变得越来越短。

举例说:SLC能有100000次的擦写寿命,MLC能有3000次的擦写寿命,到了TLC、QLC则分别变成了1000次和500次的擦写寿命,消费者看到这样的降幅会惊呼,会恐惧,会不敢用TLC和QLC产品!!!

但?事实真是如此吗?TLC和QLC真是恶魔吗?真的是扶不起的阿斗,撑不起我们的期待吗?

并!不!是!

日前,Hardware.info进行了超长时间的测验,测试对象为三星的840EVO(小编也曾经用过这块盘,从2014年至2019年从未出过问题。)测试结果显示,其写入次数远超官方公布的数据,而这块盘为TLC颗粒。

无独有偶,TechReport近期也进行了测试,测试对象均为大家印象中的“短命”颗粒做成的固态硬盘。

下面我们来看看他们的测试过程和结论吧:

采集样本:三星840 Pro、三星840 Series、金士顿HyperX 3K(该样本使用两种,一种进行可压缩数据检测,一种进行不可压缩数据检测)、Intel 335、海盗船Neutron GTX。

0d046845124f06276e6f81bb8ee91d21.png

(检测样本,图片来源TechReport官网)

TechReport使用Anvil's Storage Utilities进行了大量的数据写入来测试样本,持续时间为两周,两周后写入数据量已超过22TB,在这时候他们检查了样本的情况:

1d6212189040d648559f49ec810686f8.png

(海盗船Neutron GTX试验后数据,图片来源TechReport官网)

1a52ec5165500c597fd1184ca005eec4.png

(大量写入测试后的样本写入速度,图片来源TechReport官网)

首先我们来看上图所示各个样本的测试后平均写入速度,需要指出的是上图数据不存在对比的意义,因为这6个SSD是安装到了两套平台上同步进行的,有的使用了SATA 6Gbps接口,有的使用了SATA 3Gbps接口。上面的平均写入速度只能用于评估各SSD写入22TB所用时间,而这是为了加快测试进度。

其实在这个测试中,性能变化相比速度绝对值更值得关注,因此他们更关注的是写入22TB数据之后的SSD性能的前后变化。这时候的测试结果是恢复到之前测试平台和系统上进行的,因此前后结果可以对比。

写入22TB数据后的随机、连续性能变化:

bf42ddb08ee01f075be5735f3a708623.png

(连续读取变化,图片来源TechReport官网)

6413bdc7be23dd63ac8ca65c6d5ca694.png

(连续写入变化,图片来源TechReport官网)

be696b9a3dc1e80ccd07584a676e56fa.png

(随机读取变化,图片来源TechReport官网)

9df150b0fe2f6da36d9021957a0e68d3.png

(随机写入变化,图片来源TechReport官网)

在其中大部分测试中固态硬盘测试前后的性能变化幅度都在1-2%左右,而考虑到误差因素,基本可以说在写入22TB数据之后这些样本的性能并没有什么太大的变化。

比较让人出乎意料的是金士顿HyperX 3K固态硬盘的随机读取性能,在可压缩数据和不可压缩数据的检测中,该硬盘的性能都提升了30%以上,而Intel的335 SSD也小幅提高了8%,这二者使用的都是SF主控。此外SMART信息也监测固态硬盘的坏块、写入数据量等信息,目前为止还没看到有坏块出现,这些固态硬盘运行状态依然很良好。

测试中两个型号的固态硬盘均使用了SF主控,而且随机读取速度在写入22TB数据之后反而有46%的提升。此外数据压缩测试中,不可压缩数据写入了22.8TB,而可压缩的那个只写入了15.5TB数据,节省了32%,这是很惊艳的成绩!

我们再来看一下样本固态硬盘的写入放大(业界称之为写放大)。

两款HyperX 3K固态硬盘的本机写入量都是21.6TB,而实际写入数据是22.8TB,可压缩数据的则是15.5TB,写入放大率分别是1.05和0.72(注:持续的数据写入中写放大增加的不多,结果在1左右是正常的)。

Intel的335固态硬盘写入量是22.9TB,写入放大跟金士顿HyeprX 3K固态硬盘类似。至于其他固态硬盘,由于无法追踪NAND写入量,所以无法统计写入放大数据。

以上为各个样本在写入22TB数据后的状态,而TechReport的下一个测试目标为200TB。

划重点:

综合来看的,在持续写入22TB的情况下各样本的性能并未出现实质性的滑坡或变化,反倒是有一些意外的惊喜,如三星840EVO的写入次数实际超过官方公布指数,金士顿和英特尔的固态硬盘在随机读取中有所提升等。

ec23f06a7c9c20173dcae164d15278bb.png

(各类规格的M.2固态硬盘)

以上就是对一些主流固态硬盘大容量写入一周后的测评,后面小编还会为大家展示时间线更长的测评,如200TB,2500TB等逆天写入量的固态硬盘寿命测试,可能作为普通消费者一辈子也未必能写入如此之多的数据。

暂时来看,大家并不需要对TLC的固态硬盘寿命有所怀疑。因此大家可以放心使用,后面小编还会为大家转载他们下一步200TB的测试。

对于该篇测评,如果你有什么看法或意见,欢迎在下方评论以及补充!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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