说到CPU算力，就不能不提到FLOPS了。

FLOPS是CPU每秒浮点运算次数，也称为每秒峰值速度，英语是Floating-point operations per second；简写就是FLOPS，flops 或者 flop/s。

在多数情况下，测算FLOPS比测算每秒指令数（IPS）要准确。

要测算FLOPS就要搞清楚浮点数的精度。

浮点（floating-point）指的是带有小数的数值，浮点运算就是小数的四则运算，常用来测量计算机运算速度或被用来估算计算机性能，特别是在科学计算领域会使用到大量的浮点运算，对CPU的算力性能要求就比较高了。

说到浮点计算能力，就涉及到半精度、单精度、双精度三种类型，双精度是64位的（FP64），单精度是32位的（FP32），半精度是16位的（FP16），半精度是英伟达在2002年搞出来的，双精度和单精度是为了计算，而半精度更多是为了降低数据传输和存储成本。

双精度浮点数

单精度浮点数

半精度浮点数

双精度、单精度、半精度都分成3部分，符号位，指数和尾数。

不同精度只不过是指数位和尾数位的长度不一样。

解析一个浮点数就5条规则

1、如果指数位全零，尾数位是全零，那就表示0
2、如果指数位全零，尾数位是非零，就表示一个很小的数（subnormal），计算方式 (−1)^signbit × 2^−126 × 0.fractionbits
3、如果指数位全是1，尾数位是全零，表示正负无穷
4、如果指数位全是1，尾数位是非零，表示不是一个数NAN
5、剩下的计算方式为 (−1)^signbit × 2^(exponentbits−127) × 1.fractionbits
常用的语言几乎都不提供半精度的浮点数，这时候需要我们自己转化。

所以，要做算力规划时要结合其使用场景来分析，其实很多场景对于精度要求也没那么高，例如：分布式深度学习里面，如果用半精度的话，比起单精度来可以节省一半传输成本。考虑到深度学习的模型可能会有几亿个参数，使用半精度传输还是非常有价值的。

通常，在没有特别明确算力算法的前提下，我们默认都是按照双精度去测算算力能力的。

一般做算力规模分析时会明确算力单位如EFLOPS，或PFLOPS，这就需要自己根据情况去换算了，但都是通过FLOPS换算而来的。

浮点计算值的换算单位：

一个MFLOPS（megaFLOPS）等于每秒一佰万（=10^6）次的浮点运算

一个GFLOPS（gigaFLOPS）等于每秒拾亿（=10^9）次的浮点运算

一个TFLOPS（teraFLOPS）等于每秒万亿（=10^12）次的浮点运算

一个PFLOPS（petaFLOPS）等于每秒千万亿（=10^15）次的浮点运算

一个EFLOPS（exaFLOPS）等于每秒百亿亿（=10^18）次的浮点运算

一个ZFLOPS（zettaFLOPS）等于每秒十万京（=10^21）次的浮点运算

对于FLOPS的计算公式为： FLOPS=CPU核数*单核主频*CPU单个周期浮点计算值*1000000

只要我们知道CPU的型号，就可以到对应的CPU厂商网站上查询相关参数了。

下面我们拿intel的CPU为例，到Intel官网进行查询，网址如下：https://ark.intel.com/content/www/us/en/ark/search.html

输入具体的CPU型号，如 6240R，进入对应参数页面。

https://ark.intel.com/content/www/us/en/ark/products/199343/intel-xeon-gold-6240r-processor-35-75m-cache-2-40-ghz.html

CPU单个周期浮点计算值有点复杂，具体如下表

那么，6240R的核数为10，主频为2.4Hz，每时钟周期的双精度运算次数32，其单颗CPU的GFLOPS算力算法就是24*2.4*32=1843.2 GFLOPS

索性将之前用过的CPU都拿出来分析了一下，顺便按照CPU计算能力排个序。