說到CPU算力，就不能不提到FLOPS了。

FLOPS是CPU每秒浮點運算次數，也稱為每秒峰值速度，英語是Floating-point operations per second；簡寫就是FLOPS，flops 或者 flop/s。

在多數情況下，測算FLOPS比測算每秒指令數（IPS）要準確。

要測算FLOPS就要搞清楚浮點數的精度。

浮點（floating-point）指的是帶有小數的數值，浮點運算就是小數的四則運算，常用來測量計算機運算速度或被用來估算計算機性能，特別是在科學計算領域會使用到大量的浮點運算，對CPU的算力性能要求就比較高了。

說到浮點計算能力，就涉及到半精度、單精度、雙精度三種類型，雙精度是64位的（FP64），單精度是32位的（FP32），半精度是16位的（FP16），半精度是英偉達在2002年搞出來的，雙精度和單精度是為了計算，而半精度更多是為了降低數據傳輸和存儲成本。

雙精度浮點數

單精度浮點數

半精度浮點數

雙精度、單精度、半精度都分成3部分，符號位，指數和尾數。

不同精度只不過是指數位和尾數位的長度不一樣。

解析一個浮點數就5條規則

1、如果指數位全零，尾數位是全零，那就表示0

2、如果指數位全零，尾數位是非零，就表示一個很小的數（subnormal），計算方式 (?1)^signbit × 2^?126 × 0.fractionbits

3、如果指數位全是1，尾數位是全零，表示正負無窮

4、如果指數位全是1，尾數位是非零，表示不是一個數NAN

5、剩下的計算方式為 (?1)^signbit × 2^(exponentbits?127) × 1.fractionbits

常用的語言幾乎都不提供半精度的浮點數，這時候需要我們自己轉化。

所以，要做算力規劃時要結合其使用場景來分析，其實很多場景對于精度要求也沒那么高，例如：分布式深度學習里面，如果用半精度的話，比起單精度來可以節省一半傳輸成本。考慮到深度學習的模型可能會有幾億個參數，使用半精度傳輸還是非常有價值的。

通常，在沒有特別明確算力算法的前提下，我們默認都是按照雙精度去測算算力能力的。

一般做算力規模分析時會明確算力單位如EFLOPS，或PFLOPS，這就需要自己根據情況去換算了，但都是通過FLOPS換算而來的。

浮點計算值的換算單位：

一個MFLOPS（megaFLOPS）等于每秒一佰萬（=10^6）次的浮點運算

一個GFLOPS（gigaFLOPS）等于每秒拾億（=10^9）次的浮點運算

一個TFLOPS（teraFLOPS）等于每秒萬億（=10^12）次的浮點運算

一個PFLOPS（petaFLOPS）等于每秒千萬億（=10^15）次的浮點運算

一個EFLOPS（exaFLOPS）等于每秒百億億（=10^18）次的浮點運算

一個ZFLOPS（zettaFLOPS）等于每秒十萬京（=10^21）次的浮點運算

對于FLOPS的計算公式為： FLOPS=CPU核數*單核主頻*CPU單個周期浮點計算值*1000000

只要我們知道CPU的型號，就可以到對應的CPU廠商網站上查詢相關參數了。

下面我們拿intel的CPU為例，到Intel官網進行查詢，網址如下：https://ark.intel.com/content/www/us/en/ark/search.html

輸入具體的CPU型號，如 6240R，進入對應參數頁面。

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

CPU單個周期浮點計算值有點復雜，具體如下表

那么，6240R的核數為10，主頻為2.4Hz，每時鐘周期的雙精度運算次數32，其單顆CPU的GFLOPS算力算法就是24*2.4*32=1843.2 GFLOPS

索性將之前用過的CPU都拿出來分析了一下，順便按照CPU計算能力排個序。