InfiniTensor冬季训练营CPU并行编程第一课《CPU性能优化导论》

2026 年 1 月 13 日，2025 冬季 InfiniTensor 大模型与人工智能系统训练营 CPU 并行编程系列第一课《CPU 性能优化导论》正式开讲。

本节课从 CPU 性能瓶颈出发，系统介绍缓存优化、并行计算、量化技术等核心优化策略，为大模型的 CPU 端部署提供实用指导。

为什么需要 CPU 推理？

1. 硬件资源限制

GPU 部署成本高：不仅硬件价格昂贵，功耗也很大
基础设施现状：大量现有服务器集群仍以 CPU 架构为主
资源利旧需求：不能因 AI 应用而废弃现有 CPU 基础设施

2. 应用场景需求

私有化部署：政企单位对数据安全和保密要求高
边缘计算：端侧 AI 设备往往没有专用 GPU
成本敏感场景：个人用户和中小企业难以承担 GPU 成本

💡CPU 推理不是要替代 GPU ，而是作为重要的补充方案，特别适用于对延迟要求不高但对私有化定制要求较高的场景。

CPU 性能瓶颈：计算密集 vs I/O密集

理解性能瓶颈是优化的前提。CPU 任务通常分为两类：

1. 计算密集型

瓶颈：计算单元的最大计算能力
影响因素：CPU 频率、核心数量、指令集支持
典型任务：大规模矩阵乘法

2. I/O 密集型

瓶颈：内存系统的理论最大带宽
影响因素：内存类型 (DDR 4/DDR 5)、通道数 (单/双通道)
典型表现：内存带宽成为性能天花板

CPU架构特性：速度差异的巨大鸿沟

1. 速度层级

CPU 执行速度：极快（纳秒级）
内存访问速度：相对较慢

2. 缓存架构

为弥合速度差距，现代 CPU 采用多级缓存架构：

L1 缓存：最快，容量最小（几十 KB）
L2 缓存：中等速度，中等容量（几百 KB 到几 MB）
L3 缓存：相对较慢，容量最大（几十 MB）

💡CPU 很快，内存很慢。优化的关键在于减少内存直接访问，充分利用缓存。

缓存优化：局部性原理的应用

1. 局部性原理

CPU 在读取数据时，会预取相邻的数据块到缓存中。这意味着：

时间局部性：刚访问的数据很可能再次被访问
空间局部性：相邻的数据很可能被连续访问

2. 内存存储格式

矩阵在内存中的存储方式直接影响缓存命中率：

行主序 (Row-major)：同一行的元素在内存中连续存储
列主序 (Column-major)：同一列的元素在内存中连续存储

3. 循环优化示例

通过简单的循环顺序调整，可获得数倍的性能提升。考虑矩阵乘法 C = A × B 的三层循环：

缓存不友好版本：

for (int i = 0; i < M; i++) {
    for (int j = 0; j < N; j++) {
        for (int k = 0; k < K; k++) {
            C[i][j] += A[i][k] * B[k][j]; // B[k][j]访问不连续
        }
    }
}

缓存友好版本：

for (int i = 0; i < M; i++) {
    for (int k = 0; k < K; k++) {
        for (int j = 0; j < N; j++) {
            C[i][j] += A[i][k] * B[k][j]; // B[k][j]和C[i][j]访问连续
        }
    }
}

并行计算：从 SISD 到 SIMD

1. Flynn 分类法

根据指令和数据维度，计算架构可分为四类：

SISD：单指令单数据（传统串行）
SIMD：单指令多数据（向量化）
MIMD：多指令多数据（多线程）
MISD：多指令单数据（很少使用）

2. SIMD向量化

现代 CPU 支持 SIMD 指令集，可同时处理多个数据：

x86 架构：AVX 2(256位)、AVX-512(512位)
ARM 架构：Neon 指令集

向量化示例：

// 传统串行：4次加法指令
for (int i = 0; i < 4; i++) {
    c[i] = a[i] + b[i];
}

// SIMD向量化：1次加法指令
__m128 va = _mm_load_ps(a);
__m128 vb = _mm_load_ps(b);
__m128 vc = _mm_add_ps(va, vb);
_mm_store_ps(c, vc);

3. 多线程并行

利用 CPU 多核特性，将任务分配给多个线程：

任务划分：矩阵乘法可按行/列划分
线程数量：通常设置为物理核心数

同步与锁：并行编程的挑战

1. 互斥锁机制

当多个线程访问共享数据时，需要同步机制：

std::mutex mtx;
mtx.lock();
// 访问共享数据
mtx.unlock();

2. 性能开销

锁操作开销：加锁/解锁本身消耗 CPU 周期
线程阻塞：等待锁的线程处于空转状态
适用场景：仅适用于大块数据保护，不适合细粒度操作

3.优化策略：异步线程池

预创建线程：避免频繁创建/销毁线程的开销
任务队列：将计算任务放入队列，线程从队列取任务
无锁设计：通过任务划分避免共享数据竞争

分块优化
(Blocked Matrix Multiplication)

针对大矩阵乘法，采用分块策略充分利用多级缓存：

1. 分块原理

将大矩阵划分为小块
每个小块的大小匹配 L1/L2/L3 缓存容量
按层次逐级加载数据到各级缓存

2. 执行流程

将大块数据加载到 L3 缓存
将中等块数据加载到 L2 缓存
将小块数据加载到 L1 缓存
在 L1 缓存中完成内层循环计算
逐级向上更新结果

💡大幅减少内存访问次数，提高缓存命中率。

模型量化：精度与效率的平衡

1. 量化原理

用低精度数值表示高精度权重，减少存储和计算开销：

FP32 → INT8：存储空间减少 75%
精度损失可控：大模型对中间精度要求不高

2. 常见量化格式

FP16/BF16：16位浮点数
INT8/INT4：8位/4位整数
混合精度：权重和激活值采用不同精度

3. 静态量化 vs 动态量化

静态量化：推理前预先量化权重
动态量化：推理时实时量化（增加计算开销）

系统级优化：NUMA 与内存对齐

1. NUMA 优化

在多 CPU 插槽的服务器上：

问题：跨 CPU 访问内存延迟高
解决方案：将数据和计算任务绑定到同一 CPU 核心

2. 内存对齐

原理：CPU 按固定大小块读取内存
问题：未对齐的数据跨越内存块边界，需要多次读取
解决方案：确保数据结构按内存块边界对齐

工程实践建议

1. 使用优化库

不要重复造轮子，优先使用成熟的优化库：

Intel oneDNN：针对 Intel CPU 优化的深度学习库
OpenBLAS：高性能 BLAS 库
TVM：端到端深度学习编译器

2. 性能分析工具

perf：Linux 性能分析工具
VTune：Intel 性能分析工具
自定义计时：精确测量各阶段耗时

总结

CPU 性能优化是一个系统工程，需要从算法、数据结构、并行策略、硬件特性等多个维度综合考虑。本节课系统介绍了缓存优化、并行计算、量化技术等核心优化策略，为后续 CPU 并行编程课程奠定理论基础。

💡 学习贴士

更多细节及完整课程内容，请观看直播或查看课程回放。

链接：https://www.infinitensor.com/camp/winter2025

📚 训练营报名持续进行中

扫码报名与加入群聊，或点击 「阅读原文」 直达官网报名