芯片模型算力指标TOPS FLOPS MAC MACC MADD关系

1.TOPS（Tera Operations Per Second）每秒万亿次操作 处理器运算能力单位

TOPS是Tera Operations Per Second的缩写，1TOPS代表处理器每秒钟可进行一万亿次（10^12）操作。没有指定数据类型，具体评价算力需要结合数据精度。例如某块芯片算力在INT8的数据格式下1TOPS算力，另外芯片在实际跑模型时也无法达到百分之百 ，百分之五十左右较为正常。

与此对应的还有GOPS（Giga Operations Per Second），MOPS（Million Operation Per Second）算力单位。1GOPS代表处理器每秒钟可进行十亿次（10^9）操作，1MOPS代表处理器每秒钟可进行一百万次（10^6）操作。TOPS同GOPS与MOPS可以换算。

在某些情况下，还使用 TOPS/W 来作为评价处理器运算能力的一个性能指标，TOPS/W 用于度量在1W功耗的情况下，处理器能进行多少万亿次操作。

1.1 TOPS理论值取决于运算精度，MACC的数量和运行频率。

可大致简化为INT8位精度下的MACC(乘加运算 下面有解释)数量在FP16（半浮点数，也就是16位浮点数）精度下等于减少了一半。FP32（浮点数，也就是32位浮点数）再减少一半，依次类推。

假设有512MACC运算单元，运行频率为1GHz，INT8的数据结构和精度，算力为512 x 2（2理解为一个MACC为一次乘法和一次加法 为两次运算操作） x 1 GHz = 1000 Billion Operations/Second = 1 TOPS(Tera-Operations/second)。FP16精度那么就是0.5TOPS，FP32精度就是0.25TOPS。英伟达的Tesla V100有640个Tensor核，每核有64个MAC运算单元，运行频率大约1.480GHz，那么INT8下算力为640 * 64 * 2 * 1.480 GHz=121TOPS。

 TOPS仅仅指处理器每秒万亿次操作，需要结合具体数据类型精度才可以于FLOPS转换。

2.FLOPS（floating-point operations per second）每秒所执行的浮点运算次数，表示运算速度。

区别于FLOPs
是“每秒所执行的浮点运算次数”（floating-point operations per second）的缩写。它常被用来估算电脑的执行效能，尤其是在使用到大量浮点运算的科学计算领域中。正因为FLOPS字尾的那个S，代表秒，而不是复数，所以不能省略掉。

在这里所谓的“浮点运算”，实际上包括了所有涉及小数的运算。这类运算在某类应用软件中常常出现，而它们也比整数运算更花时间。现今大部分的处理器中，都有一个专门用来处理浮点运算的“浮点运算器”（FPU）。也因此FLOPS所量测的，实际上就是FPU的执行速度。而最常用来测量FLOPS的基准程式（benchmark）之一，就是Linpack。

FLOPS换算
一个MFLOPS（megaFLOPS）等于每秒一百万（=10^6）次的浮点运算，

一个GFLOPS（gigaFLOPS）等于每秒十亿（=10^9）次的浮点运算，

一个TFLOPS（teraFLOPS）等于每秒一万亿（=10^12）次的浮点运算，

一个PFLOPS（petaFLOPS）等于每秒一千万亿（=10^15）次的浮点运算。

3.FLOPs（FLoating point OPerations（s表复数））浮点运算次数，表示运算量，区别于FLOPS。

这个参数常用来评价深度学习的模型的运算量，如果已知模型FLOPs可通过换算求的某个已知参数的芯片运行一遍模型的时间。

例如INT8 1TOPS算力的芯片  1TFLPs的模型  假设芯片效率百分之百  运行一遍 需要4秒  因为1TFLPs单位是FP32

意指浮点运算数，理解为计算量。可以用来衡量模型的复杂度。针对神经网络模型的复杂度评价，应指的是FLOPs，而非FLOPS。FLOPS意指每秒浮点运算次数，理解为计算速度。

FLOPs描述了数据过一遍这么复杂的网络需要多大的计算量，即使用该模型时所需的计算力总量。

MAC(Memory Access Cost)内存访问成本 

MAC描述了这个复杂的网络到底需要多少参数才能定义它，即存储该模型所需的存储空间。

例如某个模型需要256000个浮点参数定义，转化为bit 乘以32得8192000bit，再除8转化为Byte，1024KB，也就是1M，那么这个模型大小约为1M。

MADDs、MACCs(multiply-accumulate operations（s表复数）)

MADDs、MACCs同一个意思。

表示乘加运算：b乘c 加上a重新赋值于a 为一次MACC指令  两次OP 1MACC ≈ 2OP

乘加运算是模型运算里的基本单元，矩阵的运算基本都是乘加。