先把核心定义搞清楚（别踩基准混淆的坑） #

不管是纯CPU还是CPU+GPU混合架构，加速比的基准永远是「串行单线程版本的运行时间」，不是纯CPU并行后的时间：

• 混合架构加速比公式：S_hybrid = T_serial / T_hybrid
  • T_serial：算法完全串行（单CPU核心）的运行时间
  • T_hybrid：CPU+GPU混合并行后的运行时间

如果你想单独看GPU带来的额外提升，也可以算「相对于纯CPU并行版本」的加速：S_relative = T_cpu_parallel / T_hybrid，但行业默认的加速比都是以串行版本为基准的。

重点：绝对不能直接把CPU和GPU核心数相加算效率 #

你之前纯CPU场景用「效率=加速比/核心数」是合理的，因为32个CPU核心是同构计算单元，性能可以近似等价。但GPU的CUDA核心和CPU核心完全不是一个维度的东西：

• Tesla C2075的448个CUDA核心是轻量级的SIMT（单指令多线程）计算单元，单个CUDA核心的独立计算能力远弱于一个CPU核心，而且必须靠大量线程并行才能发挥性能。
• 直接把32+448*2=928当成总核心数，会严重高估实际可用的计算资源，得出的效率完全没有参考意义。

异构架构效率的合理计算方式 #

这里给你几种业界常用的思路，你可以根据自己的需求选：

1. 基于「等效计算性能」归一化

用CPU和GPU的**理论浮点性能（TFLOPS）**作为统一的计算资源衡量标准，这是两者通用的性能指标：

• 先查硬件参数：Tesla C2075单精度浮点性能约1.03 TFLOPS，双精度约515 GFLOPS；假设你的CPU单核心单精度性能约10 GFLOPS（根据实际CPU型号调整）。
• 计算总等效性能：32核CPU总性能=3210=320 GFLOPS，两块GPU总性能=21030=2060 GFLOPS，总等效=2380 GFLOPS。
• 计算等效核心倍数：串行单核心是10 GFLOPS，所以总等效是2380/10=238倍于单核心性能。
• 效率公式：Efficiency_hybrid = S_hybrid / 238

这种方式能统一衡量异构资源的总性能，缺点是理论性能和实际运行性能有差距，需要结合实际负载调整。

2. 拆分CPU/GPU部分分别评估

因为CPU和GPU通常负责算法中不同的计算阶段（比如CPU做预处理/后处理，GPU做密集计算），分开计算各部分的效率更能定位瓶颈：

• CPU部分效率：保持你之前的计算方式Efficiency_cpu = (T_serial_cpu / T_hybrid_cpu) / 32，其中T_serial_cpu是CPU负责部分的串行时间，T_hybrid_cpu是混合架构中CPU部分的运行时间。
• GPU部分效率：GPU的加速比是S_gpu = T_serial_gpu / T_hybrid_gpu（T_serial_gpu是GPU负责部分的串行时间），效率可以用Efficiency_gpu = S_gpu / (GPU有效线程数/SM)，或者简化为S_gpu / 448（虽然CUDA核心不是等价核心，但可以作为相对参考）。
• 整体效率可以用加权平均：比如CPU任务占总串行时间的20%，GPU占80%，则Efficiency_overall = 0.2*Efficiency_cpu + 0.8*Efficiency_gpu。

3. 用「计算单元数」近似（仅作相对参考）

如果非要用类似“核心数”的概念，建议用GPU的SM（流式多处理器）数量替代CUDA核心数：

• Tesla C2075有14个SM，两块就是28个SM；加上32个CPU核心，总共有60个“独立计算单元”。
• 效率公式：Efficiency_hybrid = S_hybrid / 60

这是一种简化的近似，因为SM的计算能力接近一个CPU核心的量级，但依然不是严格等价，只能用来做相对性能对比。

总结一下 #

• 加速比的计算永远锚定串行单线程时间，别搞错基准；
• 绝对不能直接相加CPU和GPU的物理核心数来算效率，异构资源需要用等效性能或拆分评估的方式；
• 如果你只是想快速看GPU带来的提升，可以先算相对于纯CPU并行版本的加速比（T_cpu_parallel / T_hybrid），再结合GPU的实际负载来分析。

内容的提问来源于stack exchange，提问作者Mastraeins