以 Core i9-13900HX 实例讲解CPU概念:物理CPU,内核,逻辑CPU

2023深度学习笔记本选型指南:硬件、场景与稳定性实战 深度学习笔记本并非GPU服务器的简化版,而是面向模型验证、数据探索、轻量训练与移动协作的专业终端。其核心价值在于单位时间有效算力——由GPU显存带宽与TGP功耗墙共同决定,而非单纯参数堆砌;CPU需兼顾单核响应与PCIe通道完整性以保障GPU利用率;内存插槽数、双通道稳定性及低CL时序直接影响PyTorch分布式训练可靠性;而NVMe SSD的主控温控策略比协议版本更关键。在高校科研、初创验证、教学实训与个人开发等差异化场景中,‘好用’的本质是让‘写代码→跑通→调参→出图→汇报’闭环顺滑。本文基于真实工作流 阅读详情

缘起

# 完整代码见:https://github.com/luminousmen/grokking_concurrency/blob/master/Chapter%205/password_cracking_parallel.py

def crack_password_parallel(crypto_hash: str, length: int) -> None:
    """Orchestrate cracking the password between different processes"""
    # getting number of available processors
    num_cores = os.cpu_count()
   。。。

看书的时候看到一行代码加一句注释包含了三个概念:processor,cpu,core。因为之前没用过 os.cpu_count(),所以一下子有点懵,这个函数到底返回什么,为什么用了三个概念?

在梳理概念的过程中发现很多文章缺乏图,单纯的文字不大好理解。于是以自己电脑的 Core i9-13900HX 处理器为例,进行实例讲解,希望对那些对此也有困惑的人员有所帮助。

物理 CPU/处理器(processor)

定义

安装在主板插槽(socket)上的一个物理元件(物理的意思:看得见,摸得着)。称为:物理 CPU,处理器(processor)。我们平时去买电脑时会问“这台电脑是什么处理器?“,其实就是问这台电脑的物理 CPU 是什么?老板可能会回答”这台联想拯救者(Y9000P)电脑的处理器是 Core i9-13900HX “。

实物图

在这里插入图片描述

Core i9-13900HX

在这里插入图片描述

如上图所示:我的联想拯救者(Y9000P)电脑有 1 个物理 CPU(处理器),型号是 Core i9-13900HX。

物理内核(Physical core)/内核(Cores)

定义

位于 CPU 内部的一个物理元件。称为:物理内核(physical core),内核(core)。

实物图

sorry~ 因为核是封装在物理 CPU 内部的,具体长什么样我也不确定,待确定后再补充。

Core i9-13900HX

在这里插入图片描述
在这里插入图片描述

如上图所示:Core i9-13900HX 是大小核架构:性能核(Performance-core) + 能效核(Efficient-core)。性能核有 8 个,能效核有 16 个,总计:8 + 16 = 24。即一个物理 CPU Core i9-13900HX 有 24 个内核,或者说有“一个物理 CPU Core i9-13900HX 有 24 个物理内核”

逻辑CPU(logical CPUs)/线程(Threads)

定义

一个虚拟元件(虚拟的意思:逻辑上的,看不见,摸不着)。称为:逻辑 CPU(logical CPU),逻辑处理器(processor),逻辑内核(logical core),线程(thread)。

Core i9-13900HX

在这里插入图片描述

如上图所示:每个性能核(Performance-core)有 2 个线程,能效核(Efficient-core)有 1 个线程,总计:8 x 2 + 16 x 1 = 32 。即 “一个物理 CPU Core i9-13900HX 有 24 个内核,32 个线程”,或者说 “一个物理 CPU Core i9-13900HX 有 24 个内核,32 个逻辑 CPU”。

注:

1.这里的“线程”和“编程中多线程的线程”不是同一个概念。

2.编程中有些描述会直接用 CPU 表示 logical CPU,如:

# 得到的也是 logial CPUs
multiprocessing.cpu_count()
    Return the number of CPUs in the system.

3.有些文章用 logical cores 表示 logical CPUs,个人觉得这样容易和 physical core 混淆,应该少用 logical cores , 多用 logical CPUs。

编程实战

psutil.cpu_count(logical=True)

# 参考资料:https://psutil.readthedocs.io/en/latest/#psutil.cpu_count
psutil.cpu_count(logical=True)
    Return the number of logical CPUs in the system (same as os.cpu_count) or None if undetermined. “logical CPUs” means the number of physical cores multiplied by the number of threads that can run on each core (this is known as Hyper Threading). If logical is False return the number of physical cores only, or None if undetermined. On OpenBSD and NetBSD psutil.cpu_count(logical=False) always return None. 

如上所述:psutil.cpu_count(logical=True) 获取的“逻辑CPU(logical CPUs)”的数量,psutil.cpu_count(logical=False) 获取的“物理内核(Physical core)/内核(Cores)”的数量。

os.cpu_count()

# 参考资料: https://docs.python.org/3/library/os.html
os.cpu_count()
    Return the number of logical CPUs in the system. Returns None if undetermined.

如上所述: os.cpu_count() 获取的是“逻辑CPU数(logical CPUs)”。

import os

import psutil

num_cores = psutil.cpu_count(logical=False)
# Core i9-13900HX 电脑上输出为 24
print(f'CPU cores: {num_cores}')

# 也可以用 psutil.cpu_count(logical=True)
num_logical_cpus = os.cpu_count()
# Core i9-13900HX 电脑上输出为 32
print(f'logical CPUs: {num_logical_cpus}')

在这里插入图片描述

欢迎搜索及关注:编程人(a_codists)

AMD Ryzen本地部署LLM实战:CPU推理的内存带宽与AVX-512优化指南 大语言模型(LLM)本地推理不再依赖GPU,CPU已成为高性价比、低功耗、静音可靠的主力平台。其核心瓶颈已从单纯算力转向内存带宽吞吐、向量指令集效率(如AVX-512/BF16)及多级缓存协同能力。AMD Ryzen 7000/8000系列凭借原生AVX-512支持、双通道DDR5-6000实测近90 GB/s带宽、超大共享L3缓存(104MB)以及Ryzen AI NPU+iGPU混合卸载架构,在Qwen3.5-32B、Llama 3-70B等主流模型上实现稳定38+ tokens/s输出与极低延迟抖动。 阅读详情

相关推荐

RTX 4050跑Llama 3 70B实测:显存、内存与CPU瓶颈全解析

大语言模型本地推理依赖三大硬件资源:显存(VRAM)用于加载量化权重与KV缓存,系统内存(RAM)支撑Ollama的mmap映射与运行时开销,CPU则承担tokenization、RoPE计算等关键预后处理。当模型参数量达70B级别,即使采用q4_k_m 4-bit量化,RTX 4050的6GB/224GB/s显存带宽仍成首要瓶颈,而WSL2环境下的内存管理开销更会放大RAM压力——32GB总内存实际可用不足26GB,直接触发OOM。这类资源约束本质是Transformer架构O(n²)复杂度与消费级GPU

congji3817的博客 447

AI全栈实战 | 3.9-01 爬虫入门:requests 加 BeautifulSoup 三分钟跑通,但 90% 的人栽在这 4 个“礼貌“问题上

⚠️:本文内容仅用于。请遵守目标站点的服务条款与相关法律法规,不得对目标服务造成负担,不得采集、传播个人隐私数据。技术是中性的,边界在你手里。爬虫的入门技术(requests 发请求 + BeautifulSoup 解析)三分钟就能学会。真正区分"会用爬虫"和"会做爬虫的人"的,是这篇我们跑通"请求→解析→存储"的最小闭环,然后重点把"合规与礼貌"这根弦给你绷上。

源码获取 | 运行部署 | 定制二开修改,如果回复不及时请耐心等待,请见谅。 384

AtomMan G7 Pt:2.5L迷你主机的绝对精准性能释放原理

迷你主机性能释放本质是功耗、温度、电流与电压四重边界的协同调控,其核心挑战在于小体积(如2.5L)下实现桌面级芯片的持续稳定输出。R9 7945HX作为HS系列高耐力处理器,突破传统移动CPU的瞬时爆发逻辑,支持85W长期功耗与全核5.2GHz睿频;配合RX 7600M XT的Adaptive Memory Scaling显存动态调度技术,达成CPU-GPU功耗比例硬约束(65:35)与纳秒级供电协同。这种‘绝对精准’并非峰值堆砌,而是通过BIOS深度定制、PBO2曲线优化、均热板微米级接触控制等工程手段,

439

从一段视频到可漫游的 4D 有声场景:思路拆解与最小复现手记

只需一段手机视频,你就能生成可"走进去"的 4D 有声场景:转头时狗叫声方向随之变化,走近时声音更清晰。本文拆解 Video-to-4DAVScene 的核心思路,手把手带你用几十行 Python 搭出最小管线,把视频中的运动物体变成带空间位置的声源,并附上三个真实踩坑的排障经验,代码可直接跑。🎧

helloagent的博客 218

Ryzen AI + XCV80本地大模型部署实战指南

大模型本地化部署正从‘能否运行’迈向‘如何可靠落地’的关键阶段。基于AMD ROCm生态的异构AI计算架构,正成为绕过CUDA依赖、实现Windows/Linux双系统下端到端开源推理的新路径。其核心在于NPU与GPU的协同分工:Ryzen AI处理器承担低功耗预处理、安全调度与可信执行,XCV80加速卡依托HBM3显存与CDNA3架构提供高带宽、低延迟的FP16推理能力。该方案显著降低中小企业与边缘场景的AI工程门槛,支持Qwen2-7B等主流模型在16GB显存约束下稳定运行,并天然适配RAG增强、Age

weixin_34367257的博客 389

Pandas入门教程(二十二):股票数据分析实战——yfinance 获取数据、技术指标与收益率分析

把 Pandas 用在真实场景,才能体会它的价值。本文以茅台股票为例,用 yfinance 获取历史行情,完成缺失值处理与列筛选,绘制收盘价曲线,计算 SMA 移动平均线与 RSI 相对强弱指数,并通过日收益率、累计收益率和波动率完成完整的量化分析流程。

Smell_of_earth的博客 293

Python+Agent入门笔记(二):列表推导式、模块和异常,这些写 Agent 前得会

接上一篇《Python+Agent入门笔记(一)》。基础语法跑通之后,这篇聊几块日常写脚本绕不开的东西。还是按 JS/Go 开发者的视角写,尽量记录我实际卡过的地方。

qq_41241612的博客 430

使用GEOquery包下载原始数据

使用GEOquery包下载原始数据

m0_75172651的博客 1887

微调数据集构建:清洗、标注、格式转换完整流程

摘要解决微调数据直接抓取导致的噪声污染、模式崩溃与Token错位问题。适用于需为大模型SFT阶段构建高质量训练集的数据与算法工程师。读完可获得包含启发式清洗、MinHash去重及ChatML格式对齐的完整可运行数据流水线。关键词数据清洗、MinHash去重、数据标注、ChatML、SFT数据集、数据配比背景与问题大模型微调效果的上限由数据质量决定,直接使用未经处理的原始语料极易引发模型复读、幻觉与指令遵循能力退化。

2402_85729970的博客 485

全面分析总结解决Could not transfer artifact org.apache.maven.plugins等此类问题的方法

全面分析总结解决Could not transfer artifact org.apache.maven.plugins,Could not transfer artifact xxx from/to xxx等此类问题的方法

ccjjjjdff的博客 1万+

华为OD机试_2025 B卷_模拟消息队列(Python,100分)(附详细解题思路)

时间排序:确保事件处理顺序正确消费者管理:集合操作高效维护状态优先级实现:利用消费者ID自然排序边界处理:正确处理空消费者情况。

测试工程师的成长之路 1117

详解Python条件语句

在 Python 中,if...else 是一种条件语句,可以根据给定的条件执行不同的操作。这个语句通常用于控制程序的流程。

2601_96798737的博客 205

基于单片机红外线遥控Proteus仿真电路发射接收

*单片机设计介绍,基于单片机红外线遥控Proteus仿真电路发射接收。

2201_75940997的博客 3942

Python3 协程:异步编程的核心机制与实战

协程是解决I/O密集型任务等待瓶颈的高效机制,相比线程更轻量、无锁开销。从yield到async/await的演进,使异步编程语义清晰、易于理解。通过async/await可实现并发执行多个任务(如gather、create_task),显著提升网络请求、爬虫等场景性能。关键在于使用异步库(如aiohttp)替代同步库,避免阻塞事件循环。合理控制超时与并发数,才能发挥协程最大优势。

Lxn2zh的博客 159

SC-FDMA

<br />SC-FDMA(Single-carrier Frequency-Division Multiple Access,單載波分頻多工),是LTE的上行鏈路的主流多址。<br />SC-FDMA是單波載(Single-carrier),與OFDMA相比之下具有的較低的PAPR(峰值/平均功率比,peak-to-average power ratio),比多載波的PAPR低1-3dB左右(PAPR是由于多載波在频域叠加引起)。更低的PAPR可以使行動終端(mobile terminal)在發送功效方面

jod的专栏 3299

Linux内核驱动模型--PCIe(PCI Express)驱动​​

本文系统介绍了Linux内核中PCIe驱动的设计与实现。首先从架构定位入手,指出PCIe驱动基于PCI子系统扩展支持高速、低功耗特性。核心数据结构struct pci_driver包含设备匹配表id_table、生命周期函数probe/remove等关键组件。文章详细解析了驱动与设备的绑定流程、资源管理机制,并重点阐述了MSI-X中断、电源管理、热插拔和多队列等高级特性实现方案。最后提供了lspci、dmesg等调试工具的使用方法,总结了PCIe驱动在支持高性能设备中的关键作用。全文通过架构设计、核心结构、

amy_mhd的博客 425

python如何控制浏览器

Python 可以通过 Selenium、Playwright 等工具实现浏览器自动化,从打开网页到执行复杂交互操作均可脚本化完成。Selenium生态成熟

2601_96797912的博客 75

MIKE水动力笔记7_实测数据与模型输出结果的拟合对比

上一博文【MIKE水动力笔记6】主要讲解如何自己制作实测数据的时间序列文件dfs0,而本博文讲解如何进行实测数据与模型输出结果的拟合对比。

晏长街的博客 1万+

torch.compile 差异仅 1e-6,边界样本预测为何翻转

torch.compile 加速后输出与 eager 不一致,部分预测翻转。逐层对比与 graph break 分析定位到动态分支翻转根因。容差回归仅适用于无分支翻转场景,零容忍场景应禁用编译。

昨日种种,皆成今我。今日种种,皆成新我。 158

【Proteus仿真】用24C04与1602LCD设计的简易加密电子密码锁

【Proteus仿真】用24C04与1602LCD设计的简易加密电子密码锁

perseverance51博客 1121

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

二进制木马免杀-Python 分离免杀与 Web 挂马

二进制木马免杀-Python 分离免杀与 Web 挂马

2503_94637398的博客 267

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

Python 100讲课程导航:第08篇《Python input 与类型转换:构建可靠的交互程序》

本文详解Python中input()的返回类型为字符串,强调必须通过int()、float()等函数进行类型转换。重点讲解了输入验证的重要性,结合try-except处理ValueError等异常,实现可靠的交互程序。通过购物预算计算器实战,演示如何防范非法输入、处理边界值,并推荐使用Decimal避免浮点精度问题,提升程序健壮性。

铭渊老黄 132

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

【Python】国家中小学智慧教育平台电子教材批量下载与 PDF 合成实战

成果:两本语文电子课本(一年级上册 118 页 / 23MB、三年级上册 130 页 / 30.3MB),合计 248 页、约 54MB,单本下载加合成 40~60 秒,PDF 页数校验全部通过。经验教训SPA 站点的数据接口优先从 bundle 里挖,比抓页面稳得多;资源链接要按 private/public 分组看待,只取平台公开部分;页数、目录名这类“可推断”的信息,永远用实际响应验证一次;受限环境里“能不能跑浏览器”要在方案定稿前确认。后续计划:这版 PDF 是图片版,没有文字层;

木头大左的博客 122

魔塔社区微调训练Qwen2-1.5B-Instruct模型并烧录到‌RK3568开发板教程

本文基于Ubuntu 22.04 + CUDA 13.0.3环境,使用LLaMA-Factory框架对Qwen2-1.5B-Instruct模型进行LoRA微调,训练儿童故事生成专用模型。通过配置qwen模板、制作alpaca格式数据集、执行sft训练并合并LoRA权重,最终将模型转换为GGUF格式,并量化为Q4_K_M以适配RK3568嵌入式平台。全程支持国产镜像加速下载与显存优化,实现高效轻量化部署。

浅清秋慕夏的博客 184

【回眸】DeepSeek V4.1 Flash 快速上手与实战

本文介绍如何高效本地部署开源大模型,通过现代化工具链实现分钟级环境搭建。聚焦显存优化、一键安装、代码调用与多轮对话实现,解决“显存不足”“连接超时”等痛点,提供参数调优与结构化输出技巧,助力开发者在离线场景下快速构建稳定、高效的本地推理系统。

啤酒鸭的物联网开发记录博客 220

智叟云集-手机证据抓取系统的工程结构与应用入口

本文系统阐述手机证据抓取系统的工程结构与应用入口,涵盖四大层面:工程目录划分(Android、Python服务、Web页面、测试与构建工具);Android组件通过Manifest声明可启动页面,主界面由MainActivity管理;Python服务通过run.py解析参数并启动FastAPI应用,支持远程访问;浏览器页面采用HTML/CSS/JS分离架构,静态资源通过路径关联,实现动态交互。各模块分工明确,协同构建可运行的采集系统。

2301_77178996的博客 229
上一篇: 2025年11月文章一览
下一篇: 在 Pycharm 中 debug Scrapy 项目
codists
博客等级 码龄6年 1488粉丝 377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值