ViennaCLのBenchmark BLAS on iMac 21.5 Late 2013

  機種名： iMac

  機種 ID： iMac14,3

  プロセッサ名： Intel Core i5

  プロセッサ速度： 2.9 GHz

  プロセッサの個数： 1

  コアの総数： 4

  二次キャッシュ（コア単位）： 256 KB

  三次キャッシュ： 6 MB

  メモリ： 16 GB

  チップセットのモデル： NVIDIA GeForce GT 750M

  種類： GPU

  バス： PCIe

  PCIe レーン幅： x16

  VRAM（総量）： 1024 MB

  製造元： NVIDIA (0x10de)

この環境で、ViennaCLのベンチマークを走らせてみる。

まず、CPUから。

./examples/benchmarks/dense_blas-bench-cpu 

Benchmark : BLAS

----------------

sCOPY : 3.07 GB/s

sAXPY : 3.74 GB/s

sDOT : 3.02 GB/s

sGEMV-N : 0.431 GB/s

sGEMV-T : 0.767 GB/s

sGEMM-NN : 0.591 GFLOPs/s

sGEMM-NT : 0.541 GFLOPs/s

sGEMM-TN : 0.574 GFLOPs/s

sGEMM-TT : 0.543 GFLOPs/s

----

dCOPY : 5.83 GB/s

dAXPY : 7.02 GB/s

dDOT : 5.7 GB/s

dGEMV-N : 0.82 GB/s

dGEMV-T : 1.46 GB/s

dGEMM-NN : 0.557 GFLOPs/s

dGEMM-NT : 0.51 GFLOPs/s

dGEMM-TN : 0.579 GFLOPs/s

dGEMM-TT : 0.573 GFLOPs/s

OpenMP版

Benchmark : BLAS

----------------

sCOPY : 9.14 GB/s

sAXPY : 10.3 GB/s

sDOT : 9.33 GB/s

sGEMV-N : 1.28 GB/s

sGEMV-T : 2.34 GB/s

sGEMM-NN : 2.01 GFLOPs/s

sGEMM-NT : 1.97 GFLOPs/s

sGEMM-TN : 2.04 GFLOPs/s

sGEMM-TT : 1.97 GFLOPs/s

----

dCOPY : 12.7 GB/s

dAXPY : 18.1 GB/s

dDOT : 15.4 GB/s

dGEMV-N : 2.15 GB/s

dGEMV-T : 3.75 GB/s

dGEMM-NN : 2.02 GFLOPs/s

dGEMM-NT : 1.99 GFLOPs/s

dGEMM-TN : 2.06 GFLOPs/s

dGEMM-TT : 2.07 GFLOPs/s

コア分だけ速くなってる。

次はOpenCL

./examples/benchmarks/dense_blas-bench-opencl 

----------------------------------------------

               Device Info

----------------------------------------------

Name:                GeForce GT 750M

Vendor:              NVIDIA

Type:                GPU 

Available:           1

Max Compute Units:   2

Max Work Group Size: 1024

Global Mem Size:     1073741824

Local Mem Size:      49152

Local Mem Type:      1

Host Unified Memory: 0

Benchmark : BLAS

----------------

sCOPY : 19.3 GB/s

sAXPY : 46.8 GB/s

sDOT : 41.6 GB/s

sGEMV-N : 25.5 GB/s

sGEMV-T : 23.7 GB/s

sGEMM-NN : 31.6 GFLOPs/s

sGEMM-NT : 33.9 GFLOPs/s

sGEMM-TN : 29.5 GFLOPs/s

sGEMM-TT : 31 GFLOPs/s

----

dCOPY : 48.4 GB/s

dAXPY : 55.2 GB/s

dDOT : 44.9 GB/s

dGEMV-N : 23.5 GB/s

dGEMV-T : 23.2 GB/s

dGEMM-NN : 14.8 GFLOPs/s

dGEMM-NT : 14.9 GFLOPs/s

dGEMM-TN : 14.2 GFLOPs/s

dGEMM-TT : 14.6 GFLOPs/s

そして、CUDA。

./examples/benchmarks/dense_blas-bench-cuda

Benchmark : BLAS

----------------

sCOPY : 24.5 GB/s

sAXPY : 52.1 GB/s

sDOT : 37.5 GB/s

sGEMV-N : 40.8 GB/s

sGEMV-T : 26.4 GB/s

sGEMM-NN : 38.2 GFLOPs/s

sGEMM-NT : 38 GFLOPs/s

sGEMM-TN : 39.6 GFLOPs/s

sGEMM-TT : 38.1 GFLOPs/s

----

dCOPY : 56.3 GB/s

dAXPY : 52.8 GB/s

dDOT : 47.1 GB/s

dGEMV-N : 37.4 GB/s

dGEMV-T : 27.1 GB/s

dGEMM-NN : 22.5 GFLOPs/s

dGEMM-NT : 23 GFLOPs/s

dGEMM-TN : 22.5 GFLOPs/s

dGEMM-TT : 22.4 GFLOPs/s

GPUの圧勝。ただ、CPU版の単精度計算と倍精度計算でFLOPS値が同じくらいなのは、AVX2の命令系を使っていないのだろう。まあ、使っても単精度が倍になるくらいか。それともSIMDは使ってないのか。それならば最大16倍速くなる。