5.5838 → 1.8332 ms
Eski süreye göre yeni süre
Rakamlar konuşsun._
29 Eylül 2026 tabloları tek iş parçacığıdır. 21 Ekim 2026 akşamı bu Ryzen 7 5800H üzerinde GEMM avx2-4x16 kaldı: N=2048 Nexus 330, 362 ve 369 GFLOPS, TensorFlow 389. CPU Conv2d PyTorch 31.6 GFLOPS gerisindeydi; Nexus yaklaşık 4.9–6.8 GFLOPS. Depthwise AVX, PyTorch 4.93 ve TensorFlow 0.688 önündeydi. AVX-512 seçilmez. Dünya sıralaması yoktur.
AMD Ryzen 7 5800H with Radeon GraphicsCPU · FLOAT32NUMPY · PYTORCH · NEXUSMODEL
LOCAL CPU STUDY / 3 LIBRARIES
NexusModel vs NumPy vs PyTorch
29 Eylül 2026, tek iş parçacığı, küçük GEMM ve ReLU. Doğrulanmış çıktılar. 21 Ekim akşamı ayrıdır: N=2048 GEMM avx2-4x16, Nexus 330/362/369 GFLOPS, TensorFlow 389. Conv2d PyTorch 31.6 GFLOPS gerisindeydi.
Tüm çıktılar doğrulandı
AMD Ryzen 7 5800H with Radeon GraphicsFLOAT32 / CPU1 HESAPLAMA THREAD’İ20 WARMUP · 90 × 52026-09-29
Y = X Wᵀ; no biasSÜRE / ms · DÜŞÜK DAHA İYİ
BU İŞ YÜKÜNDE
NexusModel en düşük süreyi ölçtü. 0.0060 ms
Sonuç sıralaması işlem, boyut, thread sayısı ve donanımla değişir.Bütün kütüphane ölçümleri
27 SONUÇ| İşlem / boyut | Kütüphane | Medyan ms | p95 ms | Maks. mutlak hata |
|---|---|---|---|---|
| GEMM1 × 256 × 256 | NexusModel | 0.0060 | 0.0097 | 2.75e-7 |
| GEMM1 × 256 × 256 | NumPy | 0.0137 | 0.0228 | 3.75e-7 |
| GEMM1 × 256 × 256 | PyTorch | 0.0194 | 0.0296 | 3.83e-7 |
| GEMM7 × 129 × 33 | NexusModel | 0.0039 | 0.0059 | 4.13e-7 |
| GEMM7 × 129 × 33 | NumPy | 0.0159 | 0.0192 | 4.13e-7 |
| GEMM7 × 129 × 33 | PyTorch | 0.0073 | 0.0178 | 4.13e-7 |
| GEMM32 × 256 × 256 | NexusModel | 0.1546 | 0.1802 | 1.10e-6 |
| GEMM32 × 256 × 256 | NumPy | 0.1941 | 0.2561 | 1.84e-6 |
| GEMM32 × 256 × 256 | PyTorch | 0.1421 | 0.1727 | 1.10e-6 |
| GEMM96 × 768 × 192 | NexusModel | 0.7411 | 0.9125 | 2.82e-6 |
| GEMM96 × 768 × 192 | NumPy | 0.8929 | 1.0273 | 3.33e-6 |
| GEMM96 × 768 × 192 | PyTorch | 0.8082 | 0.8698 | 3.22e-6 |
| GEMM128 × 512 × 512 | NexusModel | 1.7653 | 2.0519 | 1.97e-6 |
| GEMM128 × 512 × 512 | NumPy | 1.9080 | 2.1503 | 2.84e-6 |
| GEMM128 × 512 × 512 | PyTorch | 1.8616 | 2.0455 | 2.28e-6 |
| GEMM256 × 1024 × 1024 | NexusModel | 15.0622 | 15.9896 | 3.67e-6 |
| GEMM256 × 1024 × 1024 | NumPy | 13.7320 | 14.5004 | 4.24e-6 |
| GEMM256 × 1024 × 1024 | PyTorch | 14.4382 | 15.7726 | 3.96e-6 |
| ReLU65,536 | NexusModel | 0.0181 | 0.0239 | 0 |
| ReLU65,536 | NumPy | 0.1000 | 0.1365 | 0 |
| ReLU65,536 | PyTorch | 0.0290 | 0.0380 | 0 |
| ReLU1,048,576 | NexusModel | 0.2388 | 0.3104 | 0 |
| ReLU1,048,576 | NumPy | 1.3875 | 1.6029 | 0 |
| ReLU1,048,576 | PyTorch | 0.3113 | 0.4320 | 0 |
| ReLU4,194,304 | NexusModel | 2.1986 | 2.7186 | 0 |
| ReLU4,194,304 | NumPy | 5.5412 | 6.2044 | 0 |
| ReLU4,194,304 | PyTorch | 2.3128 | 2.9211 | 0 |
NEXUSMODEL / BEFORE & AFTER
2026-09-29 · 90 SAMPLESAynı çekirdek. Daha az süre.
Arşivlenmiş eski kaynak ve optimize sürüm aynı C++ ölçüm koduyla derlendi. Üç turda sürüm sırası değiştirilerek ölçüldü; değerler medyan süredir.
14.2197 → 4.0230 ms
Eski süreye göre yeni süre
0.1421 → 0.0877 ms
Eski süreye göre yeni süre
0.3115 → 0.0915 ms
Eski süreye göre yeni süre
29 Eylül 2026. Float32, tek hesaplama iş parçacığı. Backward tampon sıfırlamasını içerir. Güç profili sabitlenmedi. Bu kartlar 21 Ekim akşamının GEMM veya Conv2d GFLOPS sütunu değildir. O akşam CPU Conv2d PyTorch 31.6 GFLOPS gerisindeydi.
Bu bir CPU işlem karşılaştırmasıdır.
Forward-only GEMM (bias yok) ve ReLU; çıktı tamponları önceden ayrıldı. NumPy/PyTorch için Python API çağrı maliyeti, NexusModel için C++ çağrı maliyeti dahildir. Backward, autograd, bellek ayırma ve transfer hariçtir. p95, 5 çağrılık ortalamalardan oluşan 90 örneğin yüzdeliğidir. NumPy bir sayısal dizi kütüphanesidir; tam sinir ağı eğitim çerçevesi değildir.
Tek makine, üç tur ve dönüşümlü kütüphane sırası; işletim sistemi zamanlaması ve sıcaklık sabitlenmemiştir. Her çıktı float64 referansına karşı kontrol edildi. Sürümler, BLAS backend bilgisi, ham süreler ve kaynak SHA-256 değerleri JSON dosyasında.