1.CPU

（1）CPU指标：CPU的主要指标是主频和线程，当然也有一些其他因素影响，这里仅分析这两个主要的指标。

• 线程：Intel Alder Lake 12代采用大小核架构，P核/大核 基于Golden Cove架构，最多8个；E核/小核 基于Gracemont架构，最多8个；

（2）目前主流硬件分析：

型号	主频	线程	功耗
i9-12900K	基础频率 3.2 GHz，最高睿频5.2GHz	8 E-core，8 P-core，24线程	基础功耗125W，最大功耗241W
i9-12900H	基础频率2.5GHz，最高睿频5.0GHz	8 E-core，6 P-core，20线程	基础功耗45W，最大功耗115W
i7-12700K	基础频率3.6GHz，最高睿频5.0GHz	4 E-core，8 P-core，20线程	基础功耗125W，最大功耗190W
i9-11900K	基础频率3.5GHz，最高睿频5.3GHz	8 core，16线程	基础功耗125W
i5-11600K	基础频率3.7GHz，最高睿频4.9GHz	4 E-core，6 P-core，16线程	基础功耗125W，最大功耗150W

（3）CPU选购：

• Intel：后缀F表示无核显，后缀K代表可以超频，H代表移动端；
• AMD：后缀G代表有核显，后缀X代表加强版，后缀XT代表超级加强版。

2.GPU

（1）GPU性能与影响因素：GPU的性能主要来自几个方面：制程技术（nm）、GPU架构、线路设计、数字表示方式；一般认为 制程技术的进步大概只能让GPU的性能提高到原来的1.5或2倍，GPU性能的提升主要是靠GPU架构和线路设计、数字表示方式的完善。

• 制程技术：以往有28nm、16nm的工艺，现在最常使用的A100是7nm。
• GPU架构：NVIDIA2012年推出Kepler架构GPU，其FP32计算（单精度浮点数计算）速度达到近4 TFLOPS。2016年推出了Pascal架构，更适合深度学习，NVIDIA研究后发现，不少神经网络都可以用FP16（半精度浮点数计算）训练，因此Pascal架构的大部分型号都支持FP16计算；Pascal GPU的FP32计算速度可达10.6 TFLOPS，比前一款Kepler GPU高出不少，而它的FP16计算则更快，速度是FP32的两倍。2017年，NVIDIA推出Volta架构GPU，Volta架构中引入了Tensor Core，用于深度学习的加速。2018年，英伟达推出了Turing架构，顺带推出了Integer Tensor Core。2020年，英伟达发布了Ampere架构，A100推理速度可达1200 Teraflops以上。
• 数字表示方式：从Kepler架构的FP32到FP16到Int8再到Int4；

（2）GPU相比与CPU的特点：GPU的架构适合集群。上述GPU架构的更新同时也进行了集群方案的更新。

（3）深度学习对硬件的要求：

• 计算量：即一个深度学习模型需要多少次计算才能完成一次前馈。
• 内存带宽：带宽影响计算速度。即GPU内存带宽是深度学习性能提升的主要瓶颈。

（4）主流GPU设备的推理速度：https://developer.nvidia.com/cuda-gpus

GPU	Compute Capability	TFLOPS	GPU	Compute Capability	TFLOPS
Jetson AGX Xavier	7.2	（NVIDIA Pascal™ 架构）32	GeForce RTX 3090 Ti	8.6	Ampere架构40单精度，
Jetson nano	5.3	0.5	GeForce RTX 3090	8.6	Ampere 架构，35.58
Jetson TX2	6.2	1.33	GeForce RTX 3080 Ti	8.6	34.10
Tesla K20	3.5	3.52（单精度），1.17（双精度）	GeForce GTX 1650 Ti	7.5
Tesla K40	3.5	4.29（单精度），1.43（双精度）	Geforce RTX 2080 Ti	7.5	26.90
Tesla K80	3.7	8.74（单精度），2.91（双精度）	GeForce GTX 1080 Ti	6.1	11.34
NVIDIA A100	8.0	19.5（单精度），9.7（双精度）	GeForce GTX 1060	6.1
NVIDIA V100	7.0	15.7（单精度），7.8（双精度），112（Tensor）	GeForce GTX 1050	6.1
GTX Titan x	5.2	7（单精度），0.2（双精度）	GeForce GTX 3080	8.6	29.77

Note：单精度能够保证小数点后6到7位计算准确（2^23），双精度则是14到15位(2^52)

这里的 Compute Capability 并不是我们常说的 TFLOPS 算力，它只是英伟达给自己支持 CUDA 的 GPU 设置的一个“版本号”而已，代表着这个GPU具备什么样的功能，版本号越高说明 GPU 的工具包越新，支持的功能越新；一般的算力评价指标：TFLOPS（具体分单精度、双精度、Tensor）；

一般来说，在硬件架构相同的条件下，核越来以及带宽越高，性能就越好。

Reference

1.英伟达首席科学家：深度学习硬件的过去、现在和未来：https://mp.weixin.qq.com/s/ofWCgv-ksJjqGH0qlbW8nw

2.内存带宽与计算能力，谁才是决定深度学习执行性能的关键？：https://cloud.tencent.com/developer/article/1117817