ความเข้มเลขคณิตและแบนด์วิดท์ของ RAM หรือ VRAM

โปรเซสเซอร์ ไม่ว่าจะเป็น a ซีพียู หรือ GPU, ไม่ทำอะไรเลยนอกจาก ประมวลผลข้อมูล ซึ่งนำไปสู่ ต้องใช้ความจำ ที่จะเลี้ยงมัน น่าเสียดายที่เมื่อเวลาผ่านไป ระยะห่างระหว่างความเร็วของหน่วยความจำและความเร็วของ CPU เพิ่มขึ้น ซึ่งนำไปสู่การใช้เทคนิคต่างๆ เช่น หน่วยความจำแคช เราไม่สามารถลืมทั้ง ความแอบแฝง ระหว่างโปรเซสเซอร์และหน่วยความจำ ซึ่งเกิดขึ้นเมื่ออินเทอร์เฟซระหว่าง RAM และโปรเซสเซอร์ไม่สามารถอนุญาตหรือแก้ไขข้อมูลด้วยความเร็วที่เพียงพอ

อย่างไรก็ตาม เราไม่สามารถวัดประสิทธิภาพในลักษณะทั่วไปได้ เนื่องจากแต่ละโปรแกรมหรือมากกว่านั้น แต่ละอัลกอริธึมภายในแต่ละโปรแกรมมีภาระการคำนวณที่แตกต่างกัน และนี่คือที่มาของเทอมความเข้มข้นของเลขคณิต แต่เรามาดูกันว่ามันคืออะไรและประกอบด้วยอะไร รวมถึงองค์ประกอบอื่นๆ ที่เกี่ยวข้องกับประสิทธิภาพบนคอมพิวเตอร์

ความเข้มเลขคณิตคืออะไร?

ความหนาแน่นทางคณิตศาสตร์เป็นการวัดประสิทธิภาพ ซึ่งประกอบด้วยการวัดจำนวนการดำเนินการจุดทศนิยมที่ตัวประมวลผลดำเนินการในส่วนเฉพาะของโค้ด เพื่อให้ได้มา จำนวนของการดำเนินการจุดลอยตัวจะถูกหารด้วยจำนวนไบต์ที่อัลกอริทึมใช้ในการดำเนินการ

มีประโยชน์อย่างไร? ความจริงที่ว่ามันอนุญาตให้ใช้คอมพิวเตอร์ที่มีประสิทธิภาพมากสำหรับงานเฉพาะเพื่อให้สามารถมีระบบฮาร์ดแวร์ที่ดีที่สุดในการดำเนินการอัลกอริทึมภายใต้เงื่อนไขที่ดีที่สุด โมเดลนี้ใช้เป็นหลักในการคำนวณทางวิทยาศาสตร์ แม้ว่าจะทำหน้าที่เพิ่มประสิทธิภาพในระบบปิดเช่นคอนโซลวิดีโอเกม

ในกรณีของการใช้สถาปัตยกรรมฮาร์ดแวร์แบบขนานสูง จำเป็นต้องมีความเข้มของเลขคณิตสูง กล่าวคือ อัตราส่วนระหว่างแบนด์วิดท์และความจุในการประมวลผลต่ำตั้งแต่ช่วงเวลาที่อัตราส่วนระหว่างความสามารถในการประมวลผลของโปรเซสเซอร์ดังกล่าวและแบนด์วิดท์หน่วยความจำที่มีอยู่ อยู่ในระดับสูง เนื่องจากจำเป็นต้องใช้ในหลาย ๆ แอพพลิเคชั่นและโดยเฉพาะอย่างยิ่งในกราฟิกที่การคำนวณได้รับการประมวลผลหลายครั้ง ดังนั้นจึงจำเป็นต้องใช้พลังการคำนวณที่ยอดเยี่ยมในการเปรียบเทียบ

ประสิทธิภาพของอัลกอริทึมและความสัมพันธ์กับความเข้มข้นของเลขคณิต

เมื่อเขียนอัลกอริธึม โปรแกรมเมอร์คำนึงถึงประสิทธิภาพของอัลกอริธึมที่พวกเขาเขียนในโปรแกรม ซึ่งวัดโดยสัญกรณ์ Big O ซึ่งวัดค่าเฉลี่ยของการดำเนินการที่สัมพันธ์กับข้อมูล สัญกรณ์ Big O ไม่ได้วัดโดยใช้เกณฑ์มาตรฐานใด ๆ แต่โปรแกรมเมอร์คำนวณด้วยมือเพื่อให้ได้แนวคิดคร่าวๆ เกี่ยวกับปริมาณงานของโปรแกรม

• หรือ (1): the อัลกอริธึมไม่ได้ขึ้นอยู่กับขนาดของข้อมูลที่จะประมวลผล อัลกอริธึมที่มีประสิทธิภาพ O (1) ถือว่ามีประสิทธิภาพในอุดมคติและไม่มีใครเทียบได้
• บน): เวลาดำเนินการเป็นสัดส่วนโดยตรงกับขนาดข้อมูล ประสิทธิภาพเพิ่มขึ้นเป็นเส้นตรง อาจเป็นไปได้ว่า
• O (บันทึก n): เกิดขึ้นในอัลกอริธึมที่มักจะตัดทอนและแก้ปัญหาทีละส่วน เช่น อัลกอริธึมการเรียงลำดับข้อมูลหรือการค้นหาแบบไบนารี
• O (n บันทึก n): มันเป็นวิวัฒนาการจากอันที่แล้ว มันเกี่ยวกับการแบ่งความละเอียดของส่วนต่างๆ เพิ่มเติม
• บน ² ): มีอัลกอริธึมที่ทำซ้ำหลายครั้งเนื่องจากต้องค้นหาข้อมูลหลายครั้ง ดังนั้นจึงมักเป็นอัลกอริธึมที่มีความซ้ำซากจำเจ ดังนั้นจึงมีภาระการคำนวณแบบเอ็กซ์โพเนนเชียล
• บน!): อัลกอริธึมที่ตามหลังความซับซ้อนนี้เป็นอัลกอริธึมที่มีข้อบกพร่องโดยสิ้นเชิงในแง่ของประสิทธิภาพและต้องมีการเขียนใหม่

ไม่ใช่ทุกอัลกอริธึมจะสามารถเข้าถึงระดับความซับซ้อน O (1) และบางอัลกอริธึมก็ทำงานได้ดีกว่าฮาร์ดแวร์ประเภทอื่นมาก นั่นคือเหตุผลที่ตัวเร่งความเร็วหรือตัวประมวลผลเฉพาะโดเมนได้รับการพัฒนาในช่วงไม่กี่ปีที่ผ่านมา ซึ่งเร่งความเร็วของอัลกอริทึมประเภทหนึ่งมากกว่าประเภทอื่น แนวคิดทั่วไปคือการแบ่งอัลกอริธึมออกเป็นส่วนๆ และจัดการกับแต่ละอัลกอริทึมด้วยหน่วยประมวลผลที่เหมาะสมที่สุดสำหรับความเข้มข้นของการคำนวณ

อัตราส่วนระหว่างการสื่อสารและการคำนวณ

กรณีผกผันคืออัตราส่วนระหว่างการสื่อสารและการคำนวณ ซึ่งวัดแบบผกผันกับความเข้มเลขคณิต ดังนั้นจึงทำได้โดยการหารจำนวนไบต์ด้วยกำลังในการดำเนินการจุดลอยตัว ดังนั้นจึงใช้เพื่อวัดแบนด์วิดท์ที่จำเป็นในการดำเนินการส่วนนั้นของรหัส ปัญหาในการวัดมาจากข้อเท็จจริงที่ว่าข้อมูลไม่ได้อยู่ที่เดียวกันเสมอไป ดังนั้นแบนด์วิดท์ RAM จึงถูกใช้เป็นข้อมูลอ้างอิง

ต้องคำนึงว่าไม่ใช่มาตรการที่เชื่อถือได้โดยสิ้นเชิง ไม่เพียงเพราะระบบแคชทำให้ข้อมูลเข้าใกล้ตัวประมวลผลมากขึ้นเท่านั้น แต่ยังเนื่องมาจากปรากฏการณ์เวลาแฝงที่แต่ละประเภท หน่วยความจำ RAM ที่ใช้แล้วมีข้อดีและข้อเสียต่างกัน และผลลัพธ์อาจแตกต่างกันไปตามประเภทของหน่วยความจำที่ใช้

ทุกวันนี้ เมื่อเลือกหน่วยความจำในระบบ ไม่เพียงแต่คำนึงถึงแบนด์วิดท์เท่านั้น แต่ยังรวมถึงการใช้พลังงานด้วย เนื่องจากต้นทุนด้านพลังงานในการย้ายข้อมูลนั้นเกินค่าใช้จ่ายในการประมวลผล ดังนั้นคุณจึงเลือกใช้หน่วยความจำบางประเภทในบางแอพพลิเคชั่น แน่นอนว่าต้องอยู่ในต้นทุนที่เกี่ยวข้องกับการสร้างระบบเสมอ และในซูเปอร์คอมพิวเตอร์นั้นไม่เหมือนกันในพีซีที่บ้าน