AMD处理器到底适不适合科学计算

6月前浏览10000

本文摘要（由AI生成）：

AMD处理器在早期版本的matlab中性能表现有待提升，主要是由于matlab对Intel处理器的优化和AMD处理器使用的指令集效率较低。然而，自2020a版本以后，matlab已经修正了在AMD处理器上的劣势。通过增加系统环境变量，matlab在AMD处理器上的性能得到了极大提升，甚至超过了numpy。总体来说，虽然AMD处理器在某些特定情况下可能略逊于同价位的Intel处理器，但差距并不大，对于科学计算来说仍然是可接受的。

AMD处理器到底适不适合科学计算，这是一个经常被讨论的问题。常见的针对该问题的测试或者质疑均在于诸如amd对matlab负优化，在amd的cpu上运行matlab效率远低于同级别intel处理器，甚至在很多编程群里，经常会出现“amd处理器能否用mkl库”等提问。

知乎上问题“Matlab/NumPy/C Eigen 速度差距为什么很大？”测试了10000x10000的矩阵乘法，具体计算时间对比如下：

实际上，对于早期版本的matlab（2020a以前），在amd的cpu表现上确实有待提升。以笔者的3900x处理器用matlab2019a测试为例：

Python调用numpy：

import numpy as np

import time

import platform

A = np.random.rand(10000, 10000)

B = np.random.rand(10000, 10000)

t1=time.time()

A@B

t2=time.time()

print('time',t2-t1)

和python的numpy库对比，确实matlab慢了不少。实际上，matlab早期版本在检测到cpu类型是intel处理器后，就会调用Intel MKL(路径内核库)，并调用AVX2指令集，获得理想性能。而如果不是intel处理器，matlab就会使用SSE指令集，效率较低。另有信息表明，matlab2020a以上版本已经修正了在amd处理器上的这一劣势。并且，实际上对于早期版本，也是有方法进行处理使得matlab表现更优的。

具体方法：增加系统环境变量MKL_DEBUG_CPU_TYPE：

在完成上述操作后，matlab表现如下：

计算时间达到了令人惊讶的4.29s！这真是极大的提升，并且已经超过了numpy。

实际上，无论是matlab还是numpy，在这种基本的矩阵运算，都是通过调用blas和lapack库完成的，实际上，blas和lapack库基本上定义了一套矩阵运算的标准。Intel MKL库则集成了blas，lapack，pardiso和其他一些FFT的库，具有极高的性能，并且自动并行，用户只需要通过fortran，C或C 语言来使用这些库。

通过fortran调用mkl_blas95的gemm函数测试该计算的耗时如下(O2优化)：

速度略快于matlab。

另外，在贴吧amd吧中有吧友对该规模的计算用9900k进行matlab下的测试：

可见对于matlab计算，3900k略慢于同价位下的9900k，不过相差并不太多，可以接受。

【完】

来源：有限元术

MATLAB UG python 理论科普

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2022-06-13