rigayaの日記兼メモ帳

---

実行ファイルはこちら。 (ソースコードはこちら)

ざっとまとめるとこんな感じ。

	Zen2	Zen	Haswell	Skylake
整数 加減算	256bit x3	128bit x3	256bit x2	256bit x3
飽和処理付き	256bit x2	128bit x2	256bit x2	256bit x2
整数 積算	256bit x1	128bit x1	256bit x1	256bit x2
整数 論理演算	256bit x4	128bit x4	256bit x3	256bit x3
整数 シフト	256bit x1	128bit x1	256bit x1	256bit x2
整数 比較	256bit x3	128bit x3	256bit x2	256bit x2
整数 最大最小	256bit x3	128bit x3	256bit x2	256bit x2
整数 平均	256bit x2	128bit x2	256bit x2	256bit x2
整数 シャッフル	256bit x2	128bit x2	256bit x1	256bit x1
pblendvb	256bit x1	128bit x1	256bit x0.5	256bit x0.5 128bit x3 (謎)
pblendd	256bit x3	128bit x3	256bit x3	256bit x3
pblendw	256bit x3	128bit x3	256bit x1	256bit x1

Zen2はほぼZenの構成のまま256bit化を果たしたように見える。これにより、シフトと積算を除き、理論上はSkylakeと同等ないし上回るスループットを得られることになる。

なお、Skylakeはシフトと積算も2基ついている(port0/port1)が、これはSkylake-Xでport0とport1を束ねてAVX512として使用するための準備だと思われる。

生データはこんな感じ。x264/x265では浮動小数はほぼ使わないのであまり関係ないが、AMDからメッセージのあった通り、浮動小数の積算のレイテンシが3となっているのも確認できる。

Zenはpshufbとかのshuffleが2基ついてるの素敵。なんでIntelはHaswellで1基に減らしちゃったんですかね、SandyBridgeまでは2基あったはずなのに。

microbench 0.02 by rigaya
AMD Ryzen 7 3700X 8-Core Processor 
core frequency: 4391 MHz
                      Throughput,  Latency
instruction                  IPC,    Cycle
movdqa               :  T:  4.00, L:  0.25
movdqa(256)          :  T:  4.00, L:  0.25
por                  :  T:  4.00, L:  1.00
por(256)             :  T:  4.00, L:  1.00
pand                 :  T:  4.00, L:  1.00
pand(256)            :  T:  4.00, L:  1.00
pandn                :  T:  4.00, L:  1.00
pandn(256)           :  T:  4.00, L:  1.00
pxor                 :  T:  4.00, L:  1.00
pxor(256)            :  T:  4.00, L:  1.00
psllw                :  T:  1.00, L:  1.00
psllw(256)           :  T:  1.00, L:  1.00
pslldq               :  T:  2.00, L:  1.00
pslldq(256)          :  T:  2.00, L:  1.00
paddw                :  T:  3.00, L:  1.00
paddw(256)           :  T:  3.00, L:  1.00
paddsw               :  T:  2.00, L:  1.00
paddsw(256)          :  T:  2.00, L:  1.00
paddd                :  T:  3.00, L:  1.00
paddd(256)           :  T:  3.00, L:  1.00
paddq                :  T:  3.00, L:  1.00
paddq(256)           :  T:  3.00, L:  1.00
pabsw                :  T:  2.00, L:  1.00
pabsw(256)           :  T:  2.00, L:  1.00
pmullw               :  T:  1.00, L:  3.00
pmullw(256)          :  T:  1.00, L:  3.00
pmuludq              :  T:  1.00, L:  3.00
pmuludq(256)         :  T:  1.00, L:  3.00
pmulld               :  T:  0.50, L:  4.00
pmulld(256)          :  T:  0.50, L:  4.00
pmaddwd              :  T:  1.00, L:  3.00
pmaddwd(256)         :  T:  1.00, L:  3.00
pmaddubsw            :  T:  1.00, L:  4.00
pmaddubsw(256)       :  T:  1.00, L:  4.00
pmaxsw               :  T:  3.00, L:  1.00
pmaxsw(256)          :  T:  3.00, L:  1.00
pminsw               :  T:  3.00, L:  1.00
pminsw(256)          :  T:  3.00, L:  1.00
pavgw                :  T:  2.00, L:  1.00
pavgw(256)           :  T:  2.00, L:  1.00
psadbw               :  T:  1.00, L:  3.00
psadbw(256)          :  T:  1.00, L:  3.00
packssdw             :  T:  2.00, L:  1.00
packssdw(256)        :  T:  2.00, L:  1.00
pmovsxwd             :  T:  2.00, L:  1.00
pmovsxwd(256)        :  T:  0.90, L:  4.00
packsswb             :  T:  2.00, L:  1.00
packsswb(256)        :  T:  2.00, L:  1.00
pmovsxbw             :  T:  2.00, L:  1.00
pmovsxbw(256)        :  T:  0.90, L:  4.00
pmovsxbd             :  T:  2.00, L:  1.00
pmovsxbd(256)        :  T:  0.90, L:  4.00
punpckhwd            :  T:  2.00, L:  1.00
punpckhwd(256)       :  T:  2.00, L:  1.00
palignr              :  T:  2.00, L:  1.00
palignr(256)         :  T:  2.00, L:  1.00
pshufb               :  T:  2.00, L:  1.00
pshufb(256)          :  T:  2.00, L:  1.00
pblendw              :  T:  3.00, L:  1.00
pblendw(256)         :  T:  3.00, L:  1.00
pblendvb             :  T:  1.00, L:  1.00
pblendvb(vex)        :  T:  1.00, L:  1.00
pblendvb(256)        :  T:  1.00, L:  1.00
pblendd(vex)         :  T:  3.00, L:  1.00
pblendd(256)         :  T:  3.00, L:  1.00
extractf128(256)     :  T:  1.00, L:  3.00
insertf128(256)      :  T:  1.00, L:  1.00
perm2f128(256)       :  T:  1.00, L:  3.00
permd(256)           :  T:  0.50, L:  8.01
permq(256)           :  T:  0.78, L:  6.00
pbroadcastw(vex)     :  T:  2.00, L:  1.00
pbroadcastw(256)     :  T:  1.00, L:  4.00
pcmpeqw              :  T:  3.00, L:  1.00
pcmpeqw(256)         :  T:  3.00, L:  1.00
pcmpgtw              :  T:  3.00, L:  1.00
pcmpgtw(256)         :  T:  3.00, L:  1.00
addps                :  T:  2.00, L:  3.00,   35.1 GFLOPS
addps(256)           :  T:  2.00, L:  3.00,   70.3 GFLOPS
addpd                :  T:  2.00, L:  3.00,   17.6 GFLOPS
addpd(256)           :  T:  2.00, L:  3.00,   35.1 GFLOPS
mulps                :  T:  2.00, L:  3.00,   35.1 GFLOPS
mulps(256)           :  T:  2.00, L:  3.00,   70.3 GFLOPS
mulpd                :  T:  2.00, L:  3.00,   17.6 GFLOPS
mulpd(256)           :  T:  2.00, L:  3.00,   35.1 GFLOPS
addps_mulps          :  T:  4.00, L:  6.03,   70.3 GFLOPS
addps_mulps(256)     :  T:  4.00, L:  6.01,  140.5 GFLOPS
addpd_mulpd          :  T:  4.00, L:  6.01,   35.1 GFLOPS
addpd_mulpd(256)     :  T:  4.00, L:  6.00,   70.3 GFLOPS
fmadd132ps(vex)      :  T:  2.00, L:  5.00,   70.3 GFLOPS
fmadd132ps(256)      :  T:  2.00, L:  5.00,  140.5 GFLOPS
fmadd132pd(vex)      :  T:  2.00, L:  5.00,   35.1 GFLOPS
fmadd132pd(256)      :  T:  2.00, L:  5.00,   70.3 GFLOPS
fmadd132ps_addps(128):  T:  2.18, L:  8.01,   57.4 GFLOPS
fmadd132ps_addps(256):  T:  2.18, L:  8.02,  114.8 GFLOPS
fmadd132pd_addpd(128):  T:  2.18, L:  8.00,   28.7 GFLOPS
fmadd132pd_addpd(256):  T:  2.18, L:  8.00,   57.4 GFLOPS
fmadd132ps_mulps(128):  T:  2.00, L:  8.00,   52.7 GFLOPS
fmadd132ps_mulps(256):  T:  2.00, L:  8.00,  105.4 GFLOPS
fmadd132pd_mulpd(128):  T:  2.00, L:  8.00,   26.3 GFLOPS
fmadd132pd_mulpd(256):  T:  2.00, L:  8.00,   52.7 GFLOPS
divps                :  T:  0.29, L: 10.01
divps(256)           :  T:  0.29, L: 10.01
divpd                :  T:  0.20, L: 13.05
divpd(256)           :  T:  0.20, L: 13.04
sqrtps               :  T:  0.18, L:  5.50
sqrtps(256)          :  T:  0.18, L:  5.50
sqrtpd               :  T:  0.12, L:  8.50
sqrtpd(256)          :  T:  0.12, L:  8.52
rcpps                :  T:  1.00, L:  5.00
rcpps(256)           :  T:  1.00, L:  5.01
rsqrtps              :  T:  1.00, L:  5.00
rsqrtps(256)         :  T:  1.00, L:  5.00
maxps                :  T:  2.00, L:  1.00
maxps(256)           :  T:  2.00, L:  1.00
maxpd                :  T:  2.00, L:  1.00
maxpd(256)           :  T:  2.00, L:  1.00
minps                :  T:  2.00, L:  1.00
minps(256)           :  T:  2.00, L:  1.00
minpd                :  T:  2.00, L:  1.00
minpd(256)           :  T:  2.00, L:  1.00
cvttps2dq            :  T:  1.00, L:  3.00
cvttps2dq(256)       :  T:  1.00, L:  3.00
cvttpd2dq            :  T:  1.00, L:  3.00
cvttpd2dq(256)       :  T:  1.00, L:  6.00
cvtdq2ps             :  T:  1.00, L:  3.00
cvtdq2ps(256)        :  T:  1.00, L:  3.00
cvtdq2pd             :  T:  1.00, L:  3.00
cvtdq2pd(256)        :  T:  1.00, L:  4.00
cvtps2pd             :  T:  1.00, L:  3.00
cvtps2pd(256)        :  T:  1.00, L:  4.00
cvtpd2ps             :  T:  1.00, L:  3.00
cvtpd2ps(256)        :  T:  1.00, L:  6.02

---

比較環境

---

CPU	R7 3700X	R7 1700	i7 7700K
コア	8C/16T	8C/16T	4C/8T
動作周波数	3.6GHz-4.4GHz (定格)	3.0GHz-3.7GHz (定格)	4.5GHz (OC:固定)
Uncore	N/A		4.2GHz
L3	32MB	16MB	8MB
RAM	DDR4-2400	DDR4-2400	DDR4-3600
Timing	16-16-16-39-2	16-16-16-39-2	19-23-23-45-2
M/B	Asrock AB350 Pro4		Asrock Z270 Gaming-ITX/ac
OS	Win10 x64 1903

---

まずは、シングルスレッドの結果から。

おおむね32KB/256KB/16MBのところで、L1/L2/L3/RAMの階段がきちんとできていることから計測は正常にできているみたい。ただ、BIOSのPOSTに何度も失敗しているあたり、メモリの速度はちゃんとは出ていないかも…?

L1キャッシュの帯域は1700からほぼ倍増していて、7700Kとほぼ一致するものとなっている。やはり、データパスをZen2で16bytex2/cycleから32bytex2/cycleに拡張したことが効いているのと、シングルスレッドでは4.4GHz近くまで上がる効果だと思う。

L2/L3も1700から2倍とは言わないまでも高速化しており、7700Kより高速かつ大きなキャッシュとなっていることがわかる。

3700Xの結果で面白いのはこのシングルスレッドの測定ではL3キャッシュのサイズが16MBに見えていること。これはやはりCCXが4コア構成のため、1つのコアからはCCX内のL3しか見えないのだと思われる。

---

次にマルチスレッドの結果。

まあシングルスレッドの結果から予想はつく結果だが、3700Xは1700から大幅に高速化しており、非常にインパクトがある。なお、こちらではL3/RAM境界が32MB前後まで伸びており、CCXを両方使えばきちんと32MBのキャッシュの恩恵を確認することができる。

---

というわけで、Zen2ではキャッシュ帯域のほうも順当に高速かつ大容量化され、全体の高速化に寄与していると思われる。

Zen2のキャッシュの唯一の難点はCCX分割な点だが、分割されても16MBもあり、9900Kが8コアで共有するL3と同容量(!)なので、あまり問題ではないのかもしれない。

---

比較環境

---

CPU	R7 3700X	R7 1700	i7 7700K
コア	8C/16T	8C/16T	4C/8T
動作周波数	3.6GHz-4.4GHz (定格)	3.0GHz-3.7GHz (定格)	4.5GHz (OC:固定)
Uncore	N/A		4.2GHz
L3	32MB	16MB	8MB
RAM	DDR4-2400	DDR4-2400	DDR4-3600
Timing	16-16-16-39-2	16-16-16-39-2	19-23-23-45-2
M/B	Asrock AB350 Pro4		Asrock Z270 Gaming-ITX/ac
OS	Win10 x64 1903

使用したソフトウェア
Cinebench R15.037
Cinebench R20.060
y-cruncher 0.7.7
7-zip 19.00
x264 rev2696
x265 3.1+2

---

Cinebench

---

みんな大好きCinebench。

マルチスレッドで1700を大きく超えるスコアを出していることも目を引くが、注目したいのはi7 7700K @ 4.5GHzを上回るスコアをシングルスレッドでたたき出していること。

Zen/Zen+は、Skylakeと比べるとシングルスレッド性能がもう一歩というところだったが、Zen2でSkylakeと同等、あるいはそれを上回るぐらいまで来ているということになる。

---

y-cruncher

---

y-cruncherでπ計算を1b桁求める際の計算時間を比較。計算時間なので、値が小さいほど高速。

SIMDを酷使するy-cruncherは、AVX2を128bitx2で実行するRyzen 1700ではいまいちな結果となっていたが、3700XでAVX2/FMA3がフル実装されたことで、大幅に高速化されたことがわかる。

---

x264

---

ここからが本命のx264/x265。まずはx264から。1080pのsample_movie_1080p.mpg(5203frame)を変換したときの速度を比較した。

旧世代のRyzen7 1700では、重いプリセットではコア数の多さを活かして7700Kに対して高速にエンコードできていた一方、軽いプリセットではクロックの低さとシングルスレッド性能の低さから、4コアの7700Kに負けてしまう状態となっていた。

Ryzen7 3700Xでは、全体的に大きく高速化されて、1700と比べ1.5倍程度の圧倒的な速度を達成しているほか、クロックやシングルスレッド性能の改善により軽いプリセットも高速に実行できるようになっている。

---

x265

---

こちらも1080pのsample_movie_1080p.mpg(5203frame)を変換したときの速度を比較した。

y-cruncherのところでも書いたように、旧世代のRyzenはAVX2命令を128bitx2に分割して2サイクルで処理する必要があるため、256bitを1サイクルで処理するIntel CPUに比べてAVX2命令の実行が遅くなってしまっていた。そのため、比較的AVX2の効果の大きいx265は、旧世代のRyzenが苦手とするものの一つとなっていた。

3700Xでは、AVX2がフル実装され、256bitを1サイクルで処理できるようになったことで、x265を大幅に高速に実行できるようになっている。

…ついに、x265ばかりするからといって、Ryzenを敬遠する必要がなくなった…！

---

終わりに

---

…ついに、x265ばかりするからといって、Ryzenを敬遠する必要がなくなった…！

個人的には、この一言に尽きるのですが、まあそれはともかく。

Zen2に進化した3700Xは、同じコア数の1700から大幅に速度が上昇していて、素晴らしい。1700からの置き換えではｘ264/x265で1.5倍近い速度が出ることもあり、2年でこれだけ性能が上がったと考えると驚異的だと思う。

旧世代のRyzenは、マルチスレッドの効く処理についてはよい性能を発揮する一方、どうしてもシングルスレッド性能やAVX/AVX2命令の実行速度に弱点を抱えていた。しかし、Zen2に進化した3700Xは、こうした弱点がきっちり潰されていて、弱点らしい弱点のないCPUになっている。

他所のベンチマークをみると、これまでRyzenの苦手としていたゲームでも9900Kに近い性能が出るようになっているとのことで、「ゲームやエンコードはIntel」という感じを覆すCPUになっている。CPU性能で大きくおいていかれていたBulldozerの時代を思い起こせば、ほぼSkylakeに並んだ画期的なCPUだと思う。

12コアの3900Xや16コアの3950Xは、試せていないがおそらくさらに高い性能が出るのだと思う。最上位の3950Xが出るのが非常に楽しみ。

…まあ、SkylakeからIPCを積み増したIcelakeが出ていれば、また違った評価になってしまっていたのだろうけど、いかんせんIcelakeのデスクトップは出る気配もないので…。

---

ところで、1700→3700Xでは、アーキテクチャの進化によるIPC向上のほか、クロックの向上も含んで大きな性能向上を果たしている。

じゃあ、Zen/Zen+ → Zen2でクロック当たりの性能はどうなの、とか、IntelのCPUと比べるとクロック当たりの性能はどうなの、とかそのうち見ていきたい。

---

さて、再度接触不良とかないか見直しますかね…。

いまの感触だとオーバークロックはうまくできそうにないので、今回は多分しません…。