?　　rapidmind.net提供了免費的計算庫下載，目的是使用C++ metaprogramming將計算與硬件平臺隔離開來，它提供一套運行庫做底層的優化工作。為了測試其真正的性能，以便于在未來的渲染器中使用，我做了一個簡單的性能測試程序，將一張1920x1080尺寸的TIF從RGB轉換為CIE XYZ。
　　測試平臺為我的acer 5572ANWXCi筆記本，Core Duo T2250、945、1.5G DDR2、geforce 7300go 64bit 128M。

	GPU	CPU	GPU*	CPU*
Joky.tif	1.809444	28.306510	36.927075	12.229953
HDTV.tif	7.248393	179.199637	465.021794	173.764878

單位為毫秒millisecond，加“*”表示回讀GPU數據到內存。Joky.tif大小為300x400，120000 pixels。HDTV.tif大小為1920x1080，2073600 pixels。

　　測試結果表明，如果不回讀，那么可以放心大膽的使用GPU計算。但是如果回讀，那么速度將急劇下降。總線是一個原因，但估計更深層次的是GPU的工作機制以及設計。但是可以肯定的是，如果使用RM開發基于多核心的CPU比如CELL BE處理器的計算程序，那么帶來的好處是及其明顯的，避免了硬件編碼優化工作，節省了人力物力，最重要的是可以獲得相當不錯的性能。
　　測試代碼如下，其中CPU部分沒有優化，但是打開了VC71的SSE2開關。
#include?<TCHAR.h>

#include?<cstdio>
#include?<rapidmind/platform.hpp>
#include?<cximage/ximage.h>
#pragma?comment(lib,"rmplatform-vc7-md.lib")
#pragma?comment(lib,"cximagecrt.lib")

using?namespace?rapidmind;

int?main()
{
????float?Time;
????CxImage?Image("C:\\HDTV.tif",CXIMAGE_FORMAT_TIF);
????long?size?=?Image.GetWidth()*Image.GetHeight()*sizeof(BYTE)*4;
????BYTE*?DataPtr?=?NULL;
????if(?!Image.Encode2RGBA(DataPtr,size)?)
????????printf("Shit!\n");

????rapidmind::init();

/**//*
const?mat3?RGBtoCIEmat?=?mat3(0.412453,?0.212671,?0.019334,
??????????????????????????????0.357580,?0.715160,?0.119193,
??????????????????????????????0.180423,?0.072169,?0.950227);

*/
????Value3f?C0(0.412453f,0.357580f,0.180423f);
????Value3f?C1(0.212671f,0.715160f,0.072169f);
????Value3f?C2(0.019334f,0.119193f,0.950227f);

????Program?Prog?=?RM_BEGIN_PROGRAM("stream"){
????????In<Value4ub>?rgb;
????????Out<Value4ub>?cie;
????????cie(0)?=?dot(rgb(0,1,2),C0);
????????cie(1)?=?dot(rgb(0,1,2),C1);
????????cie(2)?=?dot(rgb(0,1,2),C2);
????????cie(3)?=?255;
????}RM_END
????Array<1,Value4ub>?Input(Image.GetWidth()*Image.GetHeight());
????DataPtr?=?Input.write_data();
????Array<1,Value4ub>?Output;

????rapidmind::compile(Output,Prog(Input));
????Output?=?Prog(Input);

????DataPtr[0]?=?255;
????rapidmind::Timer?Start?=?rapidmind::Timer::now();
????Output?=?Prog(Input);
????rapidmind::finish();
?????
????//const?BYTE*?RMResultPtr?=?Output.read_data();

????rapidmind::Timer?End?=?rapidmind::Timer::now();
????rapidmind::finish();
????Time?=?End.milliseconds()?-?Start.milliseconds();
????printf("Use?RM?:?%f?milliseconds\n",Time);

????int?Width?=?Image.GetWidth(),Height?=?Image.GetHeight();

????Start?=?rapidmind::Timer::now();
????for(int?i=0;i<Width*Height;i++){
????????float?r?=?DataPtr[i*4+0],g=DataPtr[i*4+1],b=DataPtr[i*4+2];
????????float?x?=?r*0.412453f?+?g*0.357580f?+?b*0.180423f;
????????float?y?=?r*0.212671f?+?g*0.715160f?+?b*0.072169f;
????????float?z?=?r*0.019334f?+?g*0.119193f?+?b*0.950227f;
????????DataPtr[i*4+0]?=?x;
????????DataPtr[i*4+1]?=?y;
????????DataPtr[i*4+2]?=?z;
????????DataPtr[i*4+2]?=?255;
????}
????End?=?rapidmind::Timer::now();
????Time?=?End.milliseconds()?-?Start.milliseconds();
????printf("Use?CPU:?%f?milliseconds\n",Time);


????system("PAUSE");
????return?0;
}

轉載于:https://www.cnblogs.com/Jedimaster/archive/2007/10/02/912882.html

總結

以上是生活随笔為你收集整理的Rapidmind计算库性能测试的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。