4. 其他評估參數(shù)

正如從 GFLOPS 的定義以及 GPU 架構(gòu)原理中看到的那樣，GFLOPS 雖然是計算能力的理論值，但并不能全面反映頂點處理、幾何處理以及像素處理的能力。GPU 的實際性能會受到多種因素的影響，包括不同的 GPU 架構(gòu)、驅(qū)動程序、應(yīng)用程序以及顯存等。

此外，還有其他一些評估參數(shù)也可用于評估 GPU 的性能。

1 ）幀率：幀率是指 GPU 在處理圖形渲染任務(wù)時，每秒能夠輸出的圖像幀數(shù)。測試結(jié)果顯示，較高的幀率表示 GPU 能夠更快地渲染圖像，提供更流暢的視覺體驗。

2）像素填充率（Pixel Fill Rate）：像素填充率是指 GPU 每秒能夠渲染的像素數(shù)量。它與 GPU 的核心數(shù)、頻率和內(nèi)存帶寬等因素相關(guān)。測試結(jié)果顯示，較高的像素填充率表示 GPU 能夠更快地渲染圖像。

它可以通過以下公式來計算：

其中，每個周期的像素輸出數(shù)取決于 GPU 的 ROP（渲染輸出端口）的數(shù)量和每個 ROP 的吞吐量。時鐘周期數(shù)是指 GPU 的時鐘頻率，即每秒包含的時鐘周期數(shù)。

3 ）紋理填充率（Texture Fill Rate）：紋理填充率是指 GPU 每秒能夠處理的紋理像素數(shù)量。紋理是應(yīng)用于物體表面的圖像，較高的紋理填充率表示 GPU 能夠更快地處理紋理映射，提供更細(xì)膩的圖像。

4）像素著色器性能：像素著色器是 GPU 中負(fù)責(zé)對每個像素進(jìn)行顏色計算的部分。像素著色器性能與 GPU 的核心數(shù)、頻率和架構(gòu)等因素相關(guān)。較高的像素著色器性能表示 GPU 能夠更快地進(jìn)行像素級別的計算，提供更復(fù)雜的圖像效果。

5）渲染分辨率：渲染分辨率是指 GPU 能夠支持的最大圖像分辨率。較高的渲染分辨率表示 GPU 能夠處理更大尺寸的圖像，提供更好的圖像細(xì)節(jié)和清晰度。

6）幀緩沖帶寬：幀緩沖帶寬是指 GPU 與幀緩沖區(qū)之間的數(shù)據(jù)傳輸速度。幀緩沖區(qū)是存儲渲染結(jié)果的內(nèi)存區(qū)域，較高的幀緩沖帶寬可以提高數(shù)據(jù)傳輸效率，加快渲染速度。

4. 基準(zhǔn)測試程序

正如在 CPU 的性能基準(zhǔn)測試中使用 SPEC CPU2017 一樣，GPU 也有相關(guān)的基準(zhǔn)測試程序。

（ 1 ）3D Mark 測試

3DMark 由 Futuremark 公司開發(fā)的，用于測試計算機(jī)、移動設(shè)備和智能手機(jī)等設(shè)備的圖形性能和穩(wěn)定性。其測試結(jié)果可以反映設(shè)備性能的高低以及是否能夠運行要求高的 3D 游戲。

3DMark 的測試包括多項測試，如 CPU、GPU、物理特性、幀數(shù)等，可以幫助用戶在不同設(shè)備之間進(jìn)行比較，為用戶選擇設(shè)備提供參考。其測試基于 DirectX 、OpenGL 和 Vulkan 等圖形 API 實現(xiàn)，模擬了現(xiàn)代 3D 游戲和應(yīng)用程序中的復(fù)雜渲染效果。

目前主流的 3DMark 版本是 3DMark FireStrike，它包括了火焰測試段（Graphicstest）、物理計算測試段（Physicstest）和組合測試段（Combinedtest）三種測試模式。它可以適應(yīng)絕大多數(shù)游戲的要求，能夠?qū)︼@卡的 3D 性能、CPU 的物理性能以及整機(jī)的綜合性能進(jìn)行測試評估。

此外，3DMark還可以評估GPU在VR 環(huán)境中的性能表現(xiàn)。測試基于 OpenVR API 實現(xiàn)，模擬了虛擬現(xiàn)實中的渲染和交互效果。

圖4 是使用 3DMark 對智能手機(jī) SoC 中的 GPU 進(jìn)行測評的評分。

圖 4  多款 GPU 的 3D Mark 基準(zhǔn)測試結(jié)果

3D Mark 測試程序主要使用了 2 種訪問 GPU 的應(yīng)用程序接口進(jìn)行測試，一種是 OpenGL ES，另一種是 Vulkan。

從跑分結(jié)果來看，麒麟 9000 芯片使用的 Mali-G78C24（24 核心）的分值最高。其中 Mali 系列 GPU 是由ARM 公司發(fā)布的 IP 核（知識產(chǎn)權(quán)核）設(shè)計，SoC 廠商可以將其集成到自己的產(chǎn)品中來。

OpenGL ES 是 OpenGL（三維圖形應(yīng)用程序）接口的子集，為手機(jī)、個人掌上數(shù)字助理和游戲主機(jī)等嵌入式設(shè)備而設(shè)計。它去除了許多不必要的特性，并增加了一些適合嵌入式系統(tǒng) 使用的特性。OpenGL ES 比 OpenGL 更為輕量級、高效，更適合在移動設(shè)備上運行。

Vulkan 是 Khronos Group 推出的新一代圖形處理應(yīng)用程序接口，旨在提供更高效的圖形渲染和計算能力，特別適合移動設(shè)備。Vulkan 的設(shè)計目標(biāo)是減少驅(qū)動程序的開銷，并提供更直接的硬件訪問能力，以提高性能和效率。

（2）曼哈頓測試

曼哈頓測試是3D圖像測試中常用的基準(zhǔn)測試軟件，它是 GFXbench 的一部分。GFXbench是一款跨平臺的3D基準(zhǔn)測試軟件，可精準(zhǔn)反映設(shè)備 GPU 的圖形性能。它有多種測試場景，可以充分考察設(shè)備的 OpenGL ES 的表現(xiàn)，并且可以進(jìn)行電池續(xù)航測試。

GFXBench 的測試項目包括霸王龍（T-Rex）、曼哈頓 3.0（Manhattan）、曼哈頓 3.1、賽車（Car Chase）等。這些測試項目分別對應(yīng) OpenGL ES 2.0/3.0/3.1/3.1 標(biāo)準(zhǔn)下的性能。每個測試都會生成一個平均幀率（FPS），用以衡量測試結(jié)果的好壞。

另外，GFXbench 還提供了當(dāng)屏（OnScreen）和離屏（OffScreen）兩種測試。當(dāng)屏即以設(shè)備屏幕原生分辨率運行測試，離屏則將分辨率統(tǒng)一到 1080P ，便于跨設(shè)備對比。

例如，在曼哈頓 3.0 測試中，驍龍888的GPU 達(dá)到了175幀/ 秒，而驍龍7  Gen1的GPU達(dá)到了90幀/ 秒。在功耗方面，驍龍888的功耗為8.34W，而驍龍7Gen1的功耗為5.91W。這些數(shù)據(jù)可以作為對比不同GPU性能的依據(jù)。

（3 ）安兔兔測試（*現(xiàn)代智能座艙主要參考手機(jī)芯片重新設(shè)計，所以安兔兔測試也適用）

安兔兔測試是通過運行一系列特定的測試程序來對智能手機(jī)的 GPU 性能進(jìn)行測試，根據(jù)測試結(jié)果給出一個總分。這些測試程序模擬了現(xiàn)實生活中的各種應(yīng)用場景，如游戲、視頻播 放、網(wǎng)頁瀏覽等，以評估 GPU 在處理這些任務(wù)時的性能表現(xiàn)。

具體來說，安兔兔測試會對 GPU 的渲染能力、計算能力、圖像處理能力等方面進(jìn)行測試。在渲染能力方面，測試程序會模擬復(fù)雜的 3D 場景，以評估 GPU 的渲染速度和效果；在計算能力方面，測試程序會進(jìn)行大量的數(shù)學(xué)運算，以評估 GPU 的計算速度和精度；在圖像處理能力方面，測試程序會模擬各種圖像處理任務(wù)，如降噪、銳化等，以評估 GPU 的圖像處理能力。

（4）游戲測試

除了基準(zhǔn)測試程序之外，采用實際的應(yīng)用程序?qū)?GPU 性能進(jìn)行評測是一種常見方法。在 智能座艙 SoC 越來越向消費類電子性能靠近的時代，使用流行的游戲?qū)?GPU 性能進(jìn)行測試可以預(yù)測用戶的直觀感受。

目前智能手機(jī)上常使用的評測游戲有《原神》《王者榮耀》等。

#04NPU 算力評估

在智能座艙的應(yīng)用中，專用的 AI 推理組件在座艙 SoC 中是不可或缺的。通常情況下，為 了進(jìn)行人工智能相關(guān)的模型運算，需要在座艙 SoC 中集成 NPU。

4.1 NPU 架構(gòu)原理

在座艙內(nèi)部的感知算法中，針對 NLP 主要運用 RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）或 LSTM（長短時記憶網(wǎng)絡(luò)）。這些網(wǎng)絡(luò)能處理諸如語音信號等序列數(shù)據(jù)，學(xué)習(xí)其特征和模式，并通過大量文本數(shù)據(jù)訓(xùn)練來提升機(jī)器理解和生成人類語言的能力。圖像識別則主要采用 CNN ，CNN 通過卷積運算精準(zhǔn)提取圖像特征，實現(xiàn)對象的有效識別和分類。

在選擇座艙 SoC中的NPU時，必須確保其能支持RNN和CNN模型。RNN模型的節(jié)點以環(huán)狀方式定向連接，具備出色的記憶能力，非常適合處理任意時序的輸入數(shù)據(jù)。作為專門處理二維數(shù)據(jù)的多層神經(jīng)網(wǎng)絡(luò)，CNN不僅具備出色的容錯、并行處理和自學(xué)習(xí)能力，廣泛應(yīng)用于模式分類、物體檢測與識別等領(lǐng)域。因此，對這兩種模型的支持情況是選擇NPU的重要考量因素。

1. NPU 計算原理

顧名思義，CNN 和 RNN 都屬于神經(jīng)網(wǎng)絡(luò)模型，它們通常采用神經(jīng)元來進(jìn)行計算。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)中的基本單元，它接收多個輸入信號，通過一定的計算產(chǎn)生輸出信號，并將輸出信號傳遞給其他神經(jīng)元。神經(jīng)元的組成公式可以表示為：