主 题：甲骨文 4 核 ARM 跑机器学习实测：有些任务竟然比 Kaggle CPU 快
发 布 者：DevNull
标签分类： 日常
时 间：2026-10-15 07:48:15
内容预览：刚刚说了在 Oracle Cloud 圣何塞的 ARM 服务器上折腾 Python，已经把 uv、ISLP 官方实验环境和 PyTorch 配好了本来只是想给这台机器找点事情做，结果顺手和 Kaggle Notebook 跑了几组机器学习基准测试，记录一下实际表现我的甲骨文实例：4 核 ARM64约 24 GB 内存Ubuntu + Python 3.12PyTorch 2.10.0 CPU 环境用于最初的测试Kaggle 测试环境报告了 4 个逻辑 CPU，另外还启用了 NVIDIA Tesla T4 GPU一、随机森林：甲骨文 ARM 反而快不少使用 scikit-learn 生成 40,000 个模拟分类样本，40 个特征，训练 200 棵树的随机森林。训练集 32,000 个样本，测试集 8,000 个样本并行线程数甲骨文 ARMKaggle CPU134.12 秒80.11 秒217.74 秒43.71 秒49.50 秒29.29 秒这次任务中，甲骨文 4 线程训练约 9.5 秒，Kaggle CPU 约 29.3 秒，前者快约 3.1 倍两边测试集准确率都是 95.5875%二、PyTorch 矩阵乘法：Kaggle CPU 反而占优然后又测了 float32 矩阵乘法，使用 4096 × 4096 的矩阵线程数甲骨文 ARMKaggle CPU13.656 秒1.068 秒21.850 秒0.563 秒41.057 秒0.608 秒同样的矩阵乘法，Kaggle CPU 的 4 线程耗时约 0.61 秒，比甲骨文的约 1.06 秒快约 1.7 倍而且挺有意思：Kaggle 这边 4 线程并没有比 2 线程更快，说明线程数不是越多越好，具体还得看任务和底层计算库三、再试 Kaggle Tesla T4 GPU最后给 Kaggle Notebook 启用了 GPU，
直达链接： https://www.nodeseek.com/post-984290-1
发 布 者：DevNull
标签分类： 日常
时 间：2026-10-15 07:48:15
内容预览：刚刚说了在 Oracle Cloud 圣何塞的 ARM 服务器上折腾 Python，已经把 uv、ISLP 官方实验环境和 PyTorch 配好了本来只是想给这台机器找点事情做，结果顺手和 Kaggle Notebook 跑了几组机器学习基准测试，记录一下实际表现我的甲骨文实例：4 核 ARM64约 24 GB 内存Ubuntu + Python 3.12PyTorch 2.10.0 CPU 环境用于最初的测试Kaggle 测试环境报告了 4 个逻辑 CPU，另外还启用了 NVIDIA Tesla T4 GPU一、随机森林：甲骨文 ARM 反而快不少使用 scikit-learn 生成 40,000 个模拟分类样本，40 个特征，训练 200 棵树的随机森林。训练集 32,000 个样本，测试集 8,000 个样本并行线程数甲骨文 ARMKaggle CPU134.12 秒80.11 秒217.74 秒43.71 秒49.50 秒29.29 秒这次任务中，甲骨文 4 线程训练约 9.5 秒，Kaggle CPU 约 29.3 秒，前者快约 3.1 倍两边测试集准确率都是 95.5875%二、PyTorch 矩阵乘法：Kaggle CPU 反而占优然后又测了 float32 矩阵乘法，使用 4096 × 4096 的矩阵线程数甲骨文 ARMKaggle CPU13.656 秒1.068 秒21.850 秒0.563 秒41.057 秒0.608 秒同样的矩阵乘法，Kaggle CPU 的 4 线程耗时约 0.61 秒，比甲骨文的约 1.06 秒快约 1.7 倍而且挺有意思：Kaggle 这边 4 线程并没有比 2 线程更快，说明线程数不是越多越好，具体还得看任务和底层计算库三、再试 Kaggle Tesla T4 GPU最后给 Kaggle Notebook 启用了 GPU，
直达链接： https://www.nodeseek.com/post-984290-1
