计算机组成原理

极客时间（四）

程序的 CPU 执行时间 = 指令数×CPI×Clock Cycle Time

提高计算机的性能，从减少指令数、CPI来说不容易，所以从提高主频方向来减少执行时间。

而当实际性能配不上这么高的主频时，主频高也无济于事，反而会是计算机性能下降

一、功耗：CPU 的“人体极限”

奔腾4
奔腾 4 的 CPU 主频没有达到过 10GHz（曾夸下海口要达到10GHz），最终它的主频上限定格在 3.8GHz。这还不是最糟的，更糟糕的事情是，大家发现，奔腾 4 的主频虽然高，但是它的实际性能却配不上同样的主频。想要用在笔记本上的奔腾 4 2.4GHz 处理器，其性能只和基于奔腾 3 架构的奔腾 M 1.6GHz 处理器差不多。

CPU也被叫做 超大规模集成电路，是由一个个晶体管组合而成。
要想使CPU运算快，两个方面可以增加其运算速度
①多增加晶体管数量（增加密度）
②提高晶体管打开和关闭的速度（即提高主频）
缺点：带来耗电和散热问题。

二、CPU和工厂的比喻
把一个计算机 CPU 想象成一个巨大的工厂，里面有很多工人，相当于 CPU 上面的晶体管，互相之间协同工作。
为什么不把工厂造大一些？
人和人之间如果离得远了，互相之间走过去需要花的时间就会变长，这也会导致性能下降。这就好像如果 CPU 的面积大，晶体管之间的距离变大，电信号传输的时间就会变长，运算速度自然就慢了。
达到一个峰值提高主频为什么不能再提高效率
提升 CPU 主频，工厂每个人都要出汗散热。要是太热了，对工厂里面的人来说会中暑生病，对 CPU 来说就会崩溃出错。
降温方法
我们会在 CPU 上面抹硅脂、装风扇，乃至用上水冷或者其他更好的散热设备，就好像在工厂里面装风扇、空调，发冷饮一样。但是同样的空间下，装上风扇空调能够带来的散热效果也是有极限的。

三、一个关于功耗公式
功耗 ~= 1/2 ×负载电容×电压的平方×开关频率×晶体管数量

为了提高性能，我们需要不断地增加晶体管数量
（增加晶体管可以增加硬件能够支持的指令数量，增加数字通路的位数，以及利用好电路天然的并行性，从硬件层面更快地实现特定的指令，所以增加晶体管也是常见的提升cpu性能的一种手段）
同样的面积下，我们想要多放一点晶体管，就要把晶体管造得小一点。这个就是平时我们所说的提升“制程”。
四、降低功耗的关键是电压
在整个功耗的公式里面，功耗和电压的平方是成正比的。这意味着电压下降到原来的 1/5，整个的功耗会变成原来的 1/25。
这也是为什么很多笔记本都是低压型，降低功率，增加续航时间。

五、并行优化，理解阿姆达尔定律
虽然制程的优化和电压的下降，让我们的 CPU 性能有所提升。但如何进一步提高计算机效率？

Intel 意识到通过提升主频比较“难”去实现性能提升，边开始推出 Core Duo 这样的多核 CPU，通过提升“吞吐率”而不是“响应时间”，来达到目的。这就好像我们现在用的 2 核、4 核，乃至 8 核的 CPU。

提高吞吐率，搬运东西的量变多了，不管你有没有需要，现在 CPU 的性能就是提升了 2 倍乃至 8 倍、16 倍。这也是一个最常见的提升性能的方式，通过并行提高性能。

这个思想在很多地方都可以使用。举个例子，我们做机器学习程序的时候，需要计算向量的点积，比如向量 W=[W0​,W1​,W2​,…,W15​] 和向量 X=[X0​,X1​,X2​,…,X15​]，W⋅X=W0​∗X0​+W1​∗X1​+ W2​∗X2​+…+W15​∗X15​。这些式子由 16 个乘法和 1 个连加组成。如果你自己一个人用笔来算的话，需要一步一步算 16 次乘法和 15 次加法。如果这个时候我们把这个任务分配给 4 个人，同时去算 W0​～W3​, W4​～W7​, W8​～W11​, W12​～W15​ 这样四个部分的结果，再由一个人进行汇总，需要的时间就会缩短。
通过并行提高性能需要满足的几个条件：
①需要进行的计算，本身可以分解成几个可以并行的任务。
②需要能够分解好问题，并确保几个人的结果能够汇总到一起。
③在“汇总”这个阶段，是没有办法并行进行的，还是得顺序执行，一步一步来。
这就引出了我们在进行性能优化中，常常用到的一个经验定律
阿姆达尔定律：
优化后的执行时间 = 受优化影响的执行时间 / 加速倍数 + 不受影响的执行时间

比如上面的各个向量的一小段的点积，需要 100ns，加法需要 20ns，总共需要 120ns。这里通过并行 4 个 CPU 有了 4 倍的加速度。那么最终优化后，就有了 100/4+20=45ns。即使我们增加更多的并行度来提供加速倍数，比如有 100 个 CPU，整个时间也需要 100/100+20=21ns。

无论是简单地通过提升主频，还是增加更多的 CPU 核心数量，通过并行来提升性能，都会遇到相应的瓶颈。仅仅简单地通过“堆硬件”的方式，在今天已经不能很好地满足我们对于程序性能的期望了。于是，工程师们需要从其他方面开始下功夫了。

1.加速大概率事件。
流行的深度学习，整个计算过程中，99% 都是向量和矩阵计算，于是，工程师们通过用 GPU 替代 CPU，大幅度提升了深度学习的模型训练过程。

2.通过流水线提高性能。
我们把 CPU 指令执行的过程进行拆分，细化运行，也是现代 CPU 在主频没有办法提升那么多的情况下，性能仍然可以得到提升的重要原因之一。

3.通过预测提高性能。
典型的例子就是在一个循环访问数组的时候，凭经验，你也会猜到下一步我们会访问数组的下一项。

标签：主频,计算机,功耗,性能,晶体管,提升,原理,CPU,组成
来源： https://blog.csdn.net/z404_not_Found/article/details/120557114