Macbook a1502 матрица: Матрицы и дисплейные модули для MacBook Pro A1502 — купить в Москве

Почему Apple не выпускает iPhone XR 2

В сентябре исполнилось ровно 4 года с момента выхода iPhone XR. Кто бы мог подумать, что разноцветный Айфон станет бестселлером! Apple наверняка не делала на него ставку, так как за несколько лет до него был iPhone 5C. Тем не менее, стоит признать, что это был один из самых популярных Айфонов за все время: сейчас с популярностью этого недорогого смартфона могут сравниться разве что Pro-модели. Тем интереснее, почему Apple не выпустила iPhone XR 2? Ведь все модели получают логическое продолжение. Давайте попробуем разобраться в логике Apple и тайнах купертиновского нейминга!

Разбираемся, почему iPhone XR так называется и почему Apple не выпускает iPhone XR

ХОТИТЕ ЗНАТЬ БОЛЬШЕ? ПОДПИСЫВАЙТЕСЬ НА НАШ КАНАЛ В ДЗЕНЕ

Почему iPhone XR так называется

iPhone XR — по сути, промежуточная версия между iPhone X и iPhone XS. Интересно, что компания выбрала букву «R»: обычно такие обновления как раз помечаются буквой «S», хотя она уже была занята. Окей, это мог бы быть просто iPhone SE, но нет: Фил Шиллер, глава отдела маркетинга, намекнул, что буквы в названиях Айфонов ничего не значат. Но для него лично буквы «R» и «S» являлись отсылками к спортивным автомобилям. Возможно, доля правды в этом действительно есть: Toyota Matrix XRS — недорогой автомобиль, а Ford Focus RS — недорогой и быстрый.

Оказывается, R в названии этого iPhone ничего не значит!

Это же не ответ! Возможно, ведь значение букв названии iPhone 4S четко объяснил сам Тим Кук: он отметил, что такой нейминг связан с появлением Сири в Айфоне. После этого, объяснения букв в названиях iPhone прекратились: iPhone 5S, 5C и iPhone 6S нам уже никто не объяснил за исключением SE — Special Edition. Ну, тут мы бы и сами догадались, но все равно — спасибо.

Что такое распознавание звуков в Айфоне и как им пользоваться

Айфон 11 или Айфон XR

Шутка ли, но пользователи реально ждали выхода второго поколения iPhone XR. Если бы не появление Pro-моделей, iPhone XR мог бы выпускаться и сейчас, но уже в 3 или 4 генерации. Тем не менее, Apple решила, что линейка с таким названием — разовая акция, поэтому ее заменил базовый iPhone 11 с более спокойной расцветкой корпуса. Возможно, Apple запуталась в Айфонах еще в то время: сейчас моделей реально много, к их названиям хотя бы привыкли. На самом деле, все проще.

iPhone 11 без букв в названии успешно заменил iPhone XR

iPhone XR был и хорош, и плох одновременно. Преимущество его было в низкой цене и хорошей производительности, недостаток — в клейме «дешевый» Айфон. Вы и сами помните, что все блогеры в своих обзорах сразу нарекли его доступным и бюджетным. Учитывая то, что некоторые люди до сих пор измеряют достаток по наличию дорогого смартфона, Apple решила от этого избавиться. В компании решили, что Pro-модели — для тех, кто может позволить себе немного больше.

Обратите внимание, что базовые iPhone 11 да и вообще любые с тех пор, никто не осмелился назвать дешевыми. Идея «прошки» в том, чтобы создать впечатление, что эти модели являются нишевыми. Вдобавок iPhone Pro добавляет согласованности линейкам других продуктов: iPad Pro, iMac Pro, MacBook Pro. Да и фанатам немного спокойнее, что нет разрозненности.

САМЫЕ ЛУЧШИЕ ТОВАРЫ ВСЕГДА ЕСТЬ В ТЕЛЕГРАМ-КАНАЛЕ "СУНДУК АЛИ-БАБЫ"

Что купить вместо iPhone XR

У нас часто спрашивают, чем заменить iPhone XR: как ни крути, но легендарная модель в 2023 году получит последнее обновление iOS и отправится на покой. С одной стороны, это по-прежнему хороший смартфон, выдающий неплохую производительность: если судить по рейтингу AnTuTu, он справедливо лучше iPad Pro 2, iPhone 8 Plus и iPhone X, но похуже iPhone 11.

iPhone XR до сих пор выдает высокие цифры в бенчмарках

Учитывая то, насколько хорошо Apple оптимизирует iOS для возрастных моделей iPhone в последнее время, можно спокойно покупать его на 2023 год. Тем более, с учетом того, многие берут смартфоны на 1-2 года, после чего продают.

Купить iPhone XR дешево

А вот с другой — торопиться не стоит: по слухам, в 2023 году выйдет iPhone SE 4, который станет точной копией iPhone XR. Смартфон лишится кнопки «Домой» и станет больше в размерах, чем iPhone 13 mini, но меньше iPhone 14.

iPhone SE 4 может быть таким. А может — и нет

Железо, по традиции, будет топовое — скорее всего, A16 Bionic. А вот получит ли iPhone SE 4 Face ID — загадка. Возможно, что Touch ID встроят в кнопку питания как в iPad. В общем, должно быть интересно, но нужно подождать до февраля-марта 2023 года.

Впрочем, если вы хотите купить недорогой Айфон, для вас всегда есть iPhone 11: модель с хорошей батареей, отличной камерой и приятным «покатым» дизайном в стекле. Мои друзья, мама и даже бабушка пользуются iPhone 11 и все никак не нарадуются. А я советую его вам!

Купить iPhone 11

Почему камера iPhone снимает лучше другие смартфоны — наверняка ответ на этот вопрос искали многие. А мы знаем! Обязательно прочтите нашу статью!

iPhone 11iPhone XRУтечки Apple

Смогут ли мини-светодиодные MacBook Pro от Apple избежать недостатков iPad Pro?

Перейти к основному содержанию

The VergeЛоготип Verge.

Домашняя страница The Verge

The VergeЛоготип Verge.

• Tech/
• Apple/
• Report

/

Блуминг и тени на краях лишили некоторых людей других преимуществ

By Chris Welch / @chriswelch UTC |

Поделитесь этой историей

Изображение: Apple

Когда в начале этого года Apple анонсировала 12,9-дюймовый iPad Pro с мини-светодиодной подсветкой, я понял, что пришло время обновить мою модель 2018 года. И я не был разочарован. Улучшенная яркость (особенно при просмотре фильмов в формате HDR) и превосходная контрастность сделали покупку оправданной, даже если iPadOS по-прежнему не впечатляет и разочаровывает в других отношениях. Это замечательный экран, который заставляет меня хотеть использовать iPad везде, где я могу, вместо моего ноутбука.

Чтобы напомнить о том, что такое Mini LED, за дисплеем расположены тысячи крошечных светодиодов — намного меньше, чем в обычных телевизорах или ЖК-дисплеях, — которые обеспечивают более точную подсветку. В свою очередь, это приводит к более глубоким уровням черного и всем другим преимуществам, упомянутым выше. У iPad и MacBook от Apple уже были отличные дисплеи с точной и широкой цветопередачей. Но Mini LED выводит качество отображения на новый уровень. Добавьте к этому более плавную частоту обновления 120 Гц, а также все эти великолепные порты, и вы поймете, почему люди взволнованы, а эти машины уже сильно недозаказаны.

Но, по крайней мере, для iPad Pro переход на Mini LED не обошлось без недостатков. А поскольку новые 14-дюймовые и 16-дюймовые MacBook Pro теперь используют ту же технологию Pro Display XDR (Mini LED), стоит проследить, появились ли те же недостатки в ноутбуках Apple.

Дитер затронул в своем обзоре один из вопросов, цветение. В частности, если вы используете iPad Pro в темной комнате, вы иногда замечаете ореол света вокруг ярких объектов на экране, когда они окружены черным фоном. Это компромисс, присущий полному локальному затемнению, и, хотя это беспокоит некоторых людей, я редко находил это раздражающим во время использования iPad Pro. В любом случае, я думаю, что иногда стоит иметь дело с другими преимуществами, которые вы получаете в яркости и контрастности.

Тем не менее, цветение может оказаться более неприятным на полностью загруженном ноутбуке за 6000 долларов, предназначенном для профессионального монтажа. Мне любопытно узнать, внесла ли Apple какие-либо изменения, чтобы уменьшить проблему в своих новых MacBook Pro.

Другим недостатком дисплея Mini LED iPad Pro от Apple является затенение. Когда новый iPad попал к покупателям, люди заметили легкую тень, которая проходит по самым краям дисплея. Эта тень не является одной из тех вещей, которые присутствуют на некоторых iPad, а не на других: она видна на каждом M1 12. 9.дюймовый iPad Pro, потому что это связано с тем, как спроектирована мини-светодиодная система. В то время как большая часть панели имеет превосходную однородность, она падает по краям, где затухают зоны затемнения. Как и блуминг, на это лично я не обращаю особого внимания: мои глаза обычно сфокусированы ближе к середине экрана, где все выглядит отлично.

Эти краевые тени также можно увидеть на премиальном мониторе Apple Pro Display XDR. Разработчик Overcast Марко Армент назвал их «действительно большим недостатком» дисплея. Опять же, это то, что может вызвать большее раздражение на дорогом, продаваемом ноутбуке. Возможно, Apple нашла способ вывести подсветку немного дальше за рамки, чтобы избежать такого очевидного падения яркости.

Преимущества новых экранов MacBook Pro должны легко перевешивать недостатки. Они ярче и четче, чем когда-либо, с теми же ослепляющими HDR-подсветками, что и iPad Pro. Но если вы приверженец мелочей, возможно, стоит подождать, пока не появятся обзоры, чтобы увидеть, внесла ли Apple улучшения в свою все еще новую технологию отображения.

Похожие:

Самые популярные

1. Вот каково это носить Dyson Zone

---

2. Geohot уходит в отставку из Twitter

---

3. LG, удобный для геймеров C2 OLED упал до самой низкой цены на сегодняшний день

---

4. Anger’s 2022 в обзоре

9006 9007

Anger’s 2022 в обзоре

9006 9007

Anger’s 2022 в обзоре

9006 9007

Anker’s 2022 в обзоре

9006 9007

Anker’s 2022 в обзоре

9006 9001

Anger’s 2022.

---

Еще от Tech

• VR-режим Resident Evil Village будет запущен вместе с Sony PSVR2 в виде бесплатного обновления

• 0053

• Путеводитель The Verge по праздничным подаркам в области домашних технологий на 2022 год

Сравнение производительности Apple M1 matmul — AMX2 и NEON — nod.ai

Matrix Multiply формирует основу вычислений машинного обучения. Мы показываем, что специальное устройство Apple M1 AMX2 Matrix Multiply может превзойти стандартные инструкции NEON ARMv8.6 примерно на 2X .

Команда компилятора искусственного интеллекта Nod занимается созданием современного кода, асинхронным разделением, оптимизацией и планированием для перекрытия связи и вычислений на различных аппаратных средствах искусственного интеллекта, от крупных кластеров центров обработки данных до периферийных микросхем искусственного интеллекта. Основным строительным блоком вычислений для всего этого является почтенный Matmul. В этом посте мы сосредоточимся на производительности Matmul на только что выпущенном чипе Apple M1, поскольку это напрямую связано с тем, сколько вы можете выжать из любого оборудования AI.

Typically silicon teams work closely with the optimization teams to create highly optimized SGEMM ( S ingle precision  GE neral  M atrix  M ultiply) and DGEMM ( D ouble precision GE neral M atrix M ulitply) ядер для каждой кремниевой платформы. Intel MKL предоставляет эти ядра для наборов микросхем Intel, а Apple Accelerate Framework предоставляет высокооптимизированные ядра для компьютеров Apple (как Intel, так и Apple Silicon).

Eigen предоставляет достаточно простую в использовании высокоуровневую библиотеку шаблонов этих алгоритмов линейной алгебры, а также предоставляет стандартные блоки, такие как GEBP (GeneralBlockPanelKernel), «черты» для каждой SoC. Эти черты GEBP эффективно позволяют вам использовать внутренние компоненты компилятора и пользовательские инструкции для таргетинга на конкретную SoC, в то же время оборачивая ее на C++ более высокого уровня для простоты использования. BLIS (подобная BLAS библиотека) также следует аналогичной парадигме, в которой «самое внутреннее» микроядро представляет собой тщательно оптимизированную вручную сборку для конкретной архитектуры и формирует основу для вычислений более высокого уровня, которые могут быть написаны в более переносимом коде. Здесь можно прочитать о концепциях, используемых BLIS. Однако микроядро BLIS на ARM/NEON крайне неадекватно (см. этот отчет об ошибке при сборке с clang). Были и другие попытки написать ядро ​​GEBP в переносимом коде (см. это), но я думаю, что Eigen, вероятно, является наиболее успешным благодаря поддержке усилий Tensorflow и Android.

Однокристальная система Apple M1 получила восторженные отзывы о своей производительности. Он включает расширение архитектурной спецификации ARM, включающее сопроцессор Matrix, обычно называемый AMX (сопроцессор Apple Matrix) . Версия в M1 SoC предположительно является «Версией 2», поэтому давайте будем называть ее AMX2. Предположительно, AMX2 тесно связан с ядром ARM (имеет специальные инструкции для доступа к нему), чем ANE (Apple Neural Engine) , который представляет собой отдельный блок нейронной обработки на SoC, который будет вести себя больше как интегрированный графический процессор с более высокими задержками. и более высокая пропускная способность по сравнению со встроенным AMX2.

Apple не выпустила инструкции по доступу к AMX2. Таким образом, нет необходимости поддерживать обратную совместимость с скомпилированным программным обеспечением. Единственный способ, которым вы должны (хотя и не единственный способ, которым вы можете ) в настоящее время получить доступ к AMX2 на M1 SoC, — это через Accelerate Framework. ARM только что начала добавлять поддержку архитектуры ARMv8.7-a в LLVM и, в частности, поддержку ускорителей, таких как AMX здесь. Он включает возможность добавления ускорителей, таких как AMX, но неясно, будет ли AMX соответствовать этой спецификации. Вы можете узнать больше об ARMv8.7-a здесь

В этом посте мы оценим простой SGEMM размером 1000 с использованием AMX2 и оптимизированной версии Eigen Neon на Apple M1. Мы провели некоторые тесты с другими SoC ARMv8, но это не яблоки к яблокам, поскольку они были частями более старого поколения или имели другие параметры цепочки инструментов и т.  д. параллелизм Эйгена) и вершина мастера Эйгена. Мы запускаем 10 итераций умножения матрицы в качестве прогрева (для инициализации любых библиотек с отложенной загрузкой или заполнения кешей инструкций и данных), а затем запускаем тест 20 раз и усредняем время выполнения. Мы должны использовать Eigen noalias(), чтобы убедиться, что нет ненужных копий.

Мы компилируем код с -O3 и проверяем с помощью «otool -L» , что мы связываемся с Accelerate при его использовании и только со стандартными библиотеками в противном случае. Также «otool-tv a.out | grep fmla» должен показать вам используемые инструкции NEON FMLA, как показано ниже:

 nodai@macbook-pro-2 pytorch % otool -tv a.out| grep fmla
00000001000025a8 fmla.2d v0, v2, v1              ; Задержка: 10
0000000100002700 fmla.2d v2, v4, v0              ; Задержка: 10
0000000100002704 fmla.2d v1, v5, v3              ; Задержка: 10
0000000100002a78 fmla.2d v3, v5, v1              ; Задержка: 10 

Результаты

Apple M1 с ускорением (AMX2) 

 (nnc_venv) nodai@macbook-pro pytorch % LD_LIBRARY_PATH=/Users/nodai/local/lib/ . /a.out
Эйген использует 8 потоков
Стартовый тест умножения матриц с 1000 матриц
Собственное среднее время выполнения (мс) =  8  

Apple M1 с NEON (AMX2)

 (nnc_venv) nodai@macbook-pro pytorch % LD_LIBRARY_PATH=/Users/nodai/local/lib/ ./a.out
Эйген использует 8 потоков
Стартовый тест умножения матриц с 1000 матриц
Собственное среднее время выполнения (мс) =  20  

Загрузка ЦП:

Для размера тестовой матрицы 1000 загрузка ЦП незначительна, поэтому мы попытались увеличить размер матрицы настолько, чтобы увидеть некоторое влияние. С AMX2 дельта использования ЦП незначительна, но, вероятно, существует нехватка памяти для DMA в AMX2, однако с NEON мы можем насытить ядра ЦП.

Умножение матриц для различных размеров

Конфигурация

• Apple Silicon M1

Компилятор

• : clang версии 12. 0.0 (/Users/nodai/llvm-project/clang e6ae623314bab3ddd983ed941bf63a6d4c63a1f4)
• собственный 3: fdf2ee62c5174441076fb64c9737d89bbe102759

Однопоточный FP32 Matmul NEON

Но является ли это лучшей возможной оптимизацией NEON? На основе этой работы в рамках проекта GEMMLOWP должно быть больше места. Поэтому мы провели «автономные тесты NEON» на M1. Это должно дать нам хорошее представление о разнице между GEBP от Eigen и полностью оптимизированным вручную ядром NEON от самих ARM (хотя и для ядра класса Cortex-A57). Результаты ниже:

Ядро

,Гоп/с
NEON_64bit_GEMM_Int425Operands_intrinsics, 145.04
NEON_64bit_GEMM_Int7Operands_AccumEightWithin16Bits, 105,541
NEON_64bit_GEMM_Int7Operands_AccumEightWithin16Bits_intrinsics,39.3034
NEON_64bit_GEMM_Int8Operands_AccumTwoWithin16Bits, 81,8715
NEON_64bit_GEMM_Int8Operands_AccumTwoWithin16Bits_intrinsics,16. 8501
NEON_64bit_GEMM_Uint8Operands_Uint32Аккумуляторы, 51.2957
NEON_64bit_GEMM_Uint8Operands_Uint32Accumulators_intrinsics, 54.485
NEON_64bit_GEMM_Uint8Operands_Uint32Accumulators_noexpand_A57,58.1817
NEON_64bit_GEMM_Int32_WithScalar, 69.2449
NEON_64bit_GEMM_Float32_WithVectorDuplicatingScalar, 48,9629
NEON_64bit_GEMM_Float32_WithScalar, 69,229
NEON_64bit_GEMM_Float32_WithScalar_intrinsics, 32,3552
NEON_64bit_GEMM_Float32_WithScalar_A57,68.6708
NEON_64bit_GEMM_Float32_WithScalar_A55r1,53.2717 

Основываясь на вышесказанном, мы предполагаем, что еще 20% или около того мы можем выжать из реализации NEON. Важным моментом, который следует учитывать, являются накладные расходы при использовании встроенных функций по сравнению с полной встроенной сборкой — вам все равно придется сделать выбор между переносимостью и производительностью.

Однопоточный FP32 Matmul AMX2

После первоначального написания поста мы обнаружили переменную среды VECLIB_MAXIMUM_THREAD, которая может управлять однопоточной операцией Accelerate. Оставайтесь с нами для более контролируемых исследований.

Сводка:

Это первый тест производительности с использованием AMX2 и NEON на Apple M1 , который показывает, что AMX2 примерно в два раза быстрее, чем реализация NEON . Вероятно, есть много краеугольных случаев, которые нужно учитывать, и нужно внести изменения в код NEON, особенно с разным размером кэшей L2 между разными ядрами. Основываясь на работе GEMMLowP, мы оцениваем, что еще как минимум 20% или около того осталось на столе с NEON. Дайте нам знать, если мы что-то пропустили. Прямо сейчас система (частоты ядер, типы ядер, приоритеты планировщика и т. д.) не находится в контролируемой среде, чтобы протестировать ее полностью, но, надеюсь, это дает нам первое приближение того, какую производительность следует ожидать от фундаментального строительного блока — Matmul, на Яблоко М1.

Будущая работа:

В нашем следующем сообщении в блоге мы создадим MatMul и поделимся некоторыми номерами возможностей codegen компилятора Nod для автоматического создания этих ядер GEMM и других распространенных ядер, используемых в машинном обучении, и сравним производительность с нативным такие фреймворки, как MKL/MKL-DNN, Accelerate/MLCompute и Cudnn/cuBLAS на GPU.