骁龙835性能深度解析

对于当前的智能手机，SoC的重要性不言而喻。作为当前安卓阵营中最先进的平台，骁龙835在目前已经推出的旗舰机上有着：快且不热的优秀体验。从许多媒体的评价来看，骁龙835平台可以称得上近几年综合体验最为出色的一款处理器。因此，我们本期的机情观察室，就来看看骁龙835的深度性能究竟处于怎样的水平。在骁龙835之前，骁龙处理器都被称为SoC(系统级芯片)，而到了这一代则改名为“Platform”(平台)，其用意在于高通对于移动计算平台的整个布局，而非单独的CPU、GPU等电器元件。骁龙835采用三星10nm FinFETLPE工艺，当前半导体工艺能达到量产的最高水准，不过此次采用的是LPE工艺，不排除高通会在后续升级一个LPP工艺的版本，类似骁龙820/821一样。另外，根据高通官方的说法，骁龙835上采用30亿颗晶体管，逼近iPhone7上采用的A10 Fusion 33亿的数量，这也是高通处理器距离iPhone自主设计的A系列最近的一次。因此也带来了良好的使用体验。 通过这个表格，我们可以看到骁龙835采用Kryo280架构，八核心设计，最高主频为2.45GHz，小核为1.9GHz，GPU为Adreno 540，主频为710GHz，整个芯片封装尺寸减小35%。而根据高通公司的数据，骁龙835功耗降低了25%(比骁龙801降低了50%)。此外，在骁龙835平台中，还集成了双14位Spectra 180 ISP、Hexagon 690 DSP、X16 Modem。可以看到，相比于其它家的SoC，高通在SoC上覆盖到更多的计算区域，将处理器打造成智能手机的全面管家，通过“人无我有、人有我优”的概念，全面进驻到各区域。在笔者看来，这也是高通在这一代将移动处理器改名为“平台”的原因。CPU性能测试：在骁龙820上，高通首次打造出64位自研的Kryo架构，其独特的架构对于浮点IPC的运算有着非常不错的性能，但在整数IPC的运算方面则还不如ARM官方的A57架构，并且在功耗方面也并不够优秀。因此高通在骁龙835上采用全新的Kryo 280架构，尽管同名为Kryo，但此“Kryo非彼Kryo”，Kryo280并非常规升级的产物，而是采用全新架构。 简单来说，Kryo280采用八核心类似BigLittle架构，采用四颗性能大核+四颗效率小核，不过Kryo280最具特色的，还是其成为第一个采用ARM新架构之上重新设计的架构，“Built on ARM Cortex Technology”这项技术允许供应商重新根据自己的需求修改公版架构，比如厂商可以应自己需求去定制指令窗口大小以增加IPC，但类似解码器宽度或者是执行管道这种则超出了修改范围。这种半定制设计可以使得厂商能够将自己的产品与ARM公版区别开来，同时也可以省去重新开发的架构所需的时间和费用。尽管我们并不知道高通的Kryo280是基于哪个公版进行的修改，但两个CPU集群确实都是采用了半定制设计。并且高通宣称，其内存控制器也是自己设计的。 在GeekBench4的单线程整数跑分测试中，可以看到骁龙835相比前代的821基本上是六四开的赢面。尽管在整数IPC方面有所长进，但在Canny(边缘检测)、JPGE、PDF渲染方面均输给了821，有趣的是，在之前我们麒麟960的性能测试中，也是这几项输给了骁龙821，而这些整数测试的成绩大多依靠L1、L2缓存，因此ANANDTECH推测，可能Kryo280就是基于ARM A73公版半定制化。另外，骁龙835在GeekBench4其它子项目的成绩都与麒麟960比较接近，这也并非是主频或测试方法可以干预的。因此说明，即便通过BoC修改的半定制架构，可修改的幅度也比较有限。 而在GeekBench4单线程整数运算(加入频率)测试中，用上表整体整数除以频率，可以更直接的比较不同架构间的IPC。可以看到，Kryo280与A73架构成绩还是比较接近，其整数IPC比A72高出6%，比A57高出14%，不过与骁龙821相比，则高出22%。 而在浮点运算中，令我们非常意外的是Kryo280的竟然全面落后骁龙821。按笔者的猜测，Kryo的浮点运算一直是其强项，而到了Kryo280，并没有采用全自主设计，而BoC可改动的幅度又小，因此才出现了这种情况。不过可以看到，Kryo280与麒麟960的A73成绩比较相当。 在之前麒麟960测试A73时，考虑到A73的NEON执行单元与A72相比并没有改变，而降低了特殊指令的延迟，当时猜测有些测试项目受到A73解码器宽度的变化。因此，麒麟960的A73与骁龙835的Kryo280都显示出了相比A72减少了L2缓存的读/写带宽(以及较低的L1写入带宽)，这也可能对性能造成影响。 而将频率计算进去，Kryo280则悲剧的败给骁龙821 23%，不知道高通究竟是因为妥协的结果还是自己设计思路上的改变。两年前高通在研发Kryo时，就考虑到未来的新工作所需的变化，因此将更多的工作由GPU或DSP来提高效率，因此也可以接受牺牲一些浮点运算来节省面积或功耗。 内存测试方面，Kryo280、A73、A72和A57内核都有2个地址生成单元(AGU)，但A72和A57可以使用专门的AGU进行加载和储存 *** 作，Kryo280和A73的每个AGU都进行加载和储存同时进行。因此，对于A73架构，这样的策略相当于减少了内存延迟，并且增加内存带宽。 而对于Kryo280来说，相比麒麟960还甚至增加了11%，对比骁龙821和810都有所增加。但并没有A72到A73升级幅度大，因为在骁龙821的Kryo中，就已经可以做到单个AGU同时进行加载和储存，只不过之前的内存延迟更高而已。系统性能测试：▲总分 直到目前，我们可以初步认为骁龙835的Kryo280相当于一个BigLittle组合的半定制A53+A73 CPU内核，其整数与浮点运算都接近于麒麟960.而像PCMark这样系统级的测试，其中就包括了调用安卓标准的API接口来强调CPU、GPU、RAM以及NAND储存的实际工作负载。但我们都知道，手机系统的体验不仅仅取决于硬件性能，还取决于厂家对其系统的优化，包括程序的优先级以及动态电压频率调整的策略，以控制手机的发热等问题。不过这并不妨碍我们看到骁龙835的原型测试机在PCMark排名第一，超越了Mate9的麒麟960，并且比骁龙821还领先了23%。 ▲网页测试 网页测试，骁龙835的原型机表现良好，超过Mate9 10%，并且超过骁龙821 34%。不过尴尬的是采用骁龙820/821的机器全部落后于麒麟960、麒麟950，看起来还是有些悲剧。 ▲写入测试 在写入 *** 作时(包括对PDF文件的处理和加密)，内存测试以及将文件读取和写入闪存时，会在CPU的大核上有所要求。因此这个测试会产生一些多变的结果。比如乐Pro3会比S7 Edge快40%，而骁龙835则与Mate9之间差异很小，不过对比骁龙821的产品，还是体现出吊打级的优势。 ▲数据 *** 作 数据 *** 作测试中，主要测试的是整数工作负载，用于测量从多种不同文件类型中分析数据所需的时间，然后与动图表交互记录帧率。骁龙835的原型机与Mate9在此相差无几，不过也是唯二冲上5000分的，对其它821的机器又是一顿吊打。。。 ▲视频编辑测试 视频编辑测试：采用OpenGL ES 2.0着色器提供视频效果进行视频编辑测试，对系统来说属于比较轻量级的测试。在测试中，我们发现GPU基本处于空闲状态，大多数情况下都由CPU的小核心完成。因此可以看到，基本上每款产品的成绩都差不多。 ▲照片编辑测试 照片编辑测试则是采用多种照片的效果和滤镜来测试CPU和GPU，由于Adreno GPU上强大的ALU性能，骁龙835和骁龙820/821则位居前列。Adreno 540又一次吊打了Mali T系列和G71。 在Kraken 1.1测试中(使用Chrome、Safari、IE)，iPhone表现最好，不过这也并不足以证明苹果A系列芯片与安卓其它SoC之间的差异，因为它们分别采用不同的浏览器。而iPhone性能优势很大一部分来自Safari的JavaScrip引擎。 而骁龙835的原型机与其它使用Chrome的手机相比，在Kraken测试中与骁龙821的产品并没有太大差别，在JetSteam中与Mate9相近，而在WebXPRT 2015测试中，则大幅度领先骁龙820/821的产品。GPU性能测试：GPU方面，此次骁龙835采用Adreno 540，与之前骁龙821的Adreno 530架构基本相同，并且对ALU以及文件寄存器进行了一些优化，并且通过改进深度过滤器来减少每个像素的工作量，进一步提高性能和降低功耗。为此，高通官方宣称Adreno 540的3D渲染相比530提高25%，GPU的主频峰值也达到710MHz，相比Adreno 530提升了14%。 GFXBench的霸王龙测试是一款基于OpenGL ES 2.0的游戏模拟测试，我们看到骁龙835的原型机与iPhone7 Plus、Mate9都达到60帧的成绩，不过Mate9与iPhone7 Plus都为1080P屏幕，而骁龙835的原型机则是第一款达到这样成绩的2K分辨率的产品。 而在离屏(固定以1080P分辨率渲染)测试中，骁龙835的性能则超过了iPhone7 Plus与Mate 9，甚至比骁龙820提升了25%，与高通官方宣称的一致。 在GFXBench的高性能Car chase测试模拟了现代渲染管道，其中包含OpenGL ES 3.1以及安卓扩展包，主要是考验ALU性能。在这一测试中，骁龙835吃了分辨率的亏，成绩落后于一加3T以及Mate9。而当离屏状态下，则重回第一。一般来说，厂商的PPT多少都有些夸大的意味，而在GPU部分，高通则确实做到了他们PPT中所承诺的提升，甚至在离屏测试中比Mate9的Mali G71 mp8还要强大。而Mali G71则是基于ARM最新的Bifrost架构，主频甚至到了960MHz至1037MHz。 在3DMark中Sling Shot Extreme测试中，采用安卓上的OpenGL ES 3.1或iOS上的Metal，通过2K分辨率来进行渲染来强调GPU和内存的性能。在于A10、Exynos 8890,麒麟960以及骁龙820，几乎当前所有顶尖处理器在一起评比，因此骁龙835在总分测试中排名第一、图形测试中iPhone 7 Plus高10%，比820和8890版的S7高了24%，这样的成绩还是非常有意义的。 在第二个测试中强调了GPU着色器的性能，因此我们可以看到Adreno 540有了明显的提升，相比Adreno 530的S7提升34%，超过了Mate 9的G71 50%，高通在ALU以及文件寄存器上的提升看到了效果。物理测试主要是在CPU上运行，并且受SoC内存管理器随机访问的严重影响，因此尽管CPU表现接近，但骁龙835还是比Mate9快了14%。而或许是由于骁龙835的内存管理比麒麟960的内存延迟更低而带宽更宽。 Basemark ES 3.1测试模拟了安卓OpenGL ES 3.1和iOS上的Metal，包括了许多后期处理、粒子和照明效果，但不像GFXBench 4.0 Car Chase测试中的计算。 在Vulkan被加入到基准测试中之前，安卓设备大多依赖OpenGL，使得对比运行Metal的图形API的iPhone处于很大的劣势。使得骁龙835比iPhone7 Plus落后73%。而在Basemark ES 3.1测试中，ARM的Mali GPU居然超过了Adreno，Exynos 8890的Mali-T880 MP12比骁龙820的Adreno 530快15%，而麒麟960的Mali-G71MP8在屏幕测试中比S835的Adreno 540快25%。而骁龙835则比Pixel XL提升了40%。 所有的游戏模拟测试，都展现出Adreno 540优秀的ALU性能。因此我们测试骁龙835在GFXBench中合成的ALU测试，不过奇怪的是提升的微架构相比820并没有多少用。在表格中，骁龙835相比于骁龙820/821的提升都与主频对应。功耗测试：功耗方面，通过测试骁龙820以及骁龙835两款原型机，骁龙820的平均功耗为4.6W，而骁龙835则降至3.56W，功耗降低了23%。不过在实际使用中，不同用户有不同的使用场景，因此这个结论暂时也只能当做参考。总结：如今的手机SoC包含了CPU、GPU、高性能DSP、低功率DSP、ISP、Modem、固定功能模块（音频、视频解码），在这么多电器元件中，CPU，GPU和内存性能这些都很容易测试。但能导致SoC设计中有较大差异的部分，比如DSP，ISP和其他方面的测试则并不容易，而恰好，这些则是高通的强项。 在测试中，我们猜测骁龙835的Kryo280架构可以看成一个A53+A73的半定制架构，Kryo280的大核的整数与浮点IPC与麒麟960中的A73非常接近，而与骁龙821相比之下，整数运算有了明显提升，浮点运算则全面落后，但总体来说，进步大于落后。在测试中，毫无疑问，相比骁龙821，骁龙835有着更好的体验。尽管测试数据都是基于高通原型机，而在笔者实际体验量产版的骁龙835（小米6）一段时间后，感觉高通骁龙835确实有着不错的使用体验：稳定流畅且不热。而给笔者最大的感觉则是相比于骁龙820，骁龙835几乎能有“看得见般”体验的提升。对于当前性能逐渐“挤牙膏”的智能手机，此次骁龙835确实表现非常不错。

机器视觉起源于上世纪50年代，Gilson提出了“光流”这一概念，并基于相关统计模型发展了逐像素的计算模式，标志着2D影像统计模式的发展。

1960年，美国学者Roberts提出了从2D图像中提取三维结构的观点，引发了MIT人工智能实验室及其它机构对机器视觉的关注，并标志着三维机器视觉研究的开始。

70年代中期，MIT人工智能实验室正式开设“机器视觉”课程，研究人员开始大力进行“物体与视觉"相关课题的研究。

1978 年，David Marr开创了“自下而上”的通过计算机视觉捕捉物体形象的方法,该方法以2D的轮廓素描为起点，逐步完成3D形象的捕捉，这一方法的提出标志着机器视觉研究的重大突破。

80年代开始，机器视觉掀起了全球性的研究热潮，方法理论迭代更新，OCR和智能摄像头等均在这一阶段问世,并逐步引发了机器视觉相关技术更为广的传播与应用。90年代初，视觉公司成立，并开发出图像处理产品。而后，机器视觉相关技术被不断地投入到生产制造过程中，使得机器视觉领域迅速扩张，上百家企业开始大量销售机器视觉系统，完整的机器视觉产业逐渐形成。在这一阶段，LED灯、传感器及控制结构等的迅速发展，进一步加速了机器视觉行业的进步，并使得行业的生产成本逐步降低。

2000年至今，更高速的3D视觉扫描系统和热影象系统等逐步问世，机器视觉的软硬件产品蔓延至生产制造的各个阶段，应用领域也不断扩大。当下，机器视觉作为人工智能的底层产业及电子、汽车等行业，仍处于高速发展的阶段，具有良好的发展前景。

欢迎登陆机器视觉产品资料查询平台，超全的机器视觉系统产品线，海量的文档软件资源，满足您对机器视觉系统的一站式查询下载需求。

基于遗传算法的图像阈值分割方法的研究 探地雷达回波信号数据采集系统的设计

基于支持向量机软测量的研究 盲信号处理及其应用研究

神经网络在模式识别中的应用研究 计算机绘制曲线的方法途径与及其应用 光纤布喇格光栅温度和应变同时测量系统 光纤加速度传感研究与系统设计 分布式光纤温度传感器系统的设计 等精度频率计的设计

分布式光纤电压测量系统的设计与研究 光纤光栅不均匀受力特性分析 轧机扭振测量无线感应电源的设计 水泥篦冷机熟料温度测量方法的研究 分布式光纤微弯压力传感器的研究 水泥篦冷机料层厚度测量方法研究 超声波水流量计的设计

基于小波理论的图像压缩技术研究 基于信号消噪的语音增强技术的研究 光纤小波滤波器的研究

智能变频空调器的模糊控制技术的研究 高双折射光纤应变测量系统的研究 玻璃钢玻瓦生产线温度控制方法的研究 测试信号分析网络虚拟实验平台设计 数字图像相关法动态位移测量研究及其应用 光孤子通信的仿真研究

光纤自适应偏振模色散补偿系统的研究 基于Sagnac效应的光纤电流传感系统的研究 图像处理中几种算法的研究与应用 倒立摆智能模糊控制系统的研究

基于网络环境的数字信号处理ICAI系统 图像边缘检测在关节镜图像处理中的应用 光纤波长扫描干涉方法在位移测量中的应用 光纤光栅扭转传感器的研究

基于信息熵的振动信号分析技术研究 参数自整定模糊PID控制器的设计 基于FPGA的分布式声表面波应变传感系统 智能模糊控制在全自动洗衣机中的应用研究 ABS系统的应用与设计 光孤子源的研究 取样光栅特性的理论研究 智能化RLC测量仪的设计

基于虚拟仪器的光纤电压传感器的研究 智能测厚仪的设计

光纤光栅横向应变传感器的研究 神经网络控制器设计

光纤光栅特性及其色散特性的应用 神经网络在轧机AGC系统中的应用研究 光纤微位移传感器的研究

基于偏振调制的光纤电压传感器的研究 数据处理在三维图像显示及处理中的应用 基于半导体吸收原理的光纤温度传感器研究 取样光纤布喇格光栅滤波器的设计 热式气体质量流量计的设计 扭转光纤电流传感器的研究 几种基本光学原理的仿真分析 图像处理中各种显示方法的研究与应用 光谱吸收式气体传感器的研究与设计 表面粗糙度的光纤测量仪研究与设计 原油多相流流量测量仪的研究与设计 光学式电流互感传感器的研究与设计 变压器油中微水含量测量仪的设计与研究 光纤亮度与颜色温度测量仪的研究与设计

超声海水流速测量系统研究 海水温度检测系统的研究 海水浪高测量系统的研究 海水流速测量系统研究 海水噪声测量系统研究 海水浪涌压力测量系统研究 基于混沌理论的微弱信号检测研究 小波分析在奇异信号检测中的应用研究 声光器件参数测量系统研究

便携式数字化超声波检测仪器的设计与研究 超声波在火车车轮裂纹检测系统中的应用研究 正交矢量型锁相放大器在微弱信号检测中的应用 基于经验模态分解的旋转机械故障诊断的研究 信息融合技术在轧机故障诊断中的应用研究 基于小波神经网络的旋转机械故障诊断的研究 激光多普勒扭转振动测试技术的研究 轧机主传动轴在线监测系统研究

非接触式轧机主传动系统扭矩监测系统的研究 单晶硅吸收型光纤温度传感器的设计研究 光纤传感位移测量系统设计 超声波智能硬度检测仪的设计

粮食烘干塔中温度水分智能检测系统设计 在线无创伤植物水势自动监测仪的设计研究 虚拟仪器在供水网络监控与故障诊断中的应用 掺稀土光纤光源传感器测量可燃气体的研究 组态软件在换热系统虚拟成像中的应用 基于虚拟仪器的锅炉模糊控制系统的研究 基于虚拟仪器的供热多路巡回检测系统 基于虚拟仪器的多功能测量系统的研究 图像处理技术在人脸识别中的应用研究 数据压缩技术在遥测遥控系统中的应用 用于面粉品质检测的吹泡示功仪的研究与设计 可吸入颗粒物监测系统的设计

---