如何利用Arm Performix实现更佳的性能表现

随着


Arm


架构基础设施在云端及数据


中心


持续规模化部署，


开发者


亟需深入理解并优化 Arm Neoverse


CPU


上的性能表现。与此同时，智能体


AI


工作流带来了全新性能挑战：能效优化不能仅局限于单个组件，而需要从整个系统角度统筹考量。在此背景下，性能分析已不再局限于代码调优，而是需要理解工作负载在整个系统层面的执行效率。

Arm 于今年早些正式推出了 Pe


rf


ormix，这是一款助力开发者实现 AI 系统端到端优化的性能分析工具套件。Arm Performix 的推出，也将 Arm 一贯的卓越性能优势从芯片延伸至全栈软件。这也是 Arm 长期践行生态承诺的又一重要里程碑，Performix 将助力开发者在 Arm 平台上构建、优化并扩展下一代云与 AI 基础设施。（点击此处，了解 Arm Performix 的实际使用方法）

以下是两个近期的实际用例，帮助你更好地了解如何利用 Arm Performix 实现更佳的性能表现！

用例一

利用 Arm Performix 实现图片分类

工作负载的降本增效

该用例在 Amazon Graviton 实例上利用 Arm Performix 对


TensorFlow


Lite 图像分类工作负载进行优化，通过定位并消除预处理阶段的性能瓶颈，实现吞吐量提升 40%，处理速度从每秒 2.21 张提升至 3.11 张图片。

Arm Performix 的代码热点 (Code Hotspots) 分析指南显示，在图像归一化过程中，65% 的 CPU 时间消耗在低效的


Python


循环上，而非最初预判的模型推理阶段。通过使用 NumPy 对相关运算进行向量化处理，预处理开销在总运行时长中的占比由 65% 降至 28%，不仅显著提升了响应速度，也使生产环境中的


机器学习


工作负载计算成本降低了 29%。

用例二

借助 Arm Performix 加速AI 驱动的

RAG 流水线

生成式 AI 正逐步向更加复杂的检索增强生成 (RAG) 系统演进。基础设施需要同时高效处理复杂文本任务与高吞吐矩阵运算，且两类任务需无缝协同。

在该用例中，Arm Performix 能够帮助开发者在 Google Cloud 基于 Arm 架构的 N4 实例上，显著提升 RAG


模拟


任务的运行效率。Performix 可提供深度可视化的上层 Python 业务逻辑与底层 Arm Neoverse 架构之间的调度交互，依托这一能力，开发者能够完成更为精准的硬件层级调优，确保各类 AI 工作负载在 Arm 生态系统中以峰值性能稳定运行。