基准化最近的邻居 在高维空间中快速搜索最近的邻居已成为一个越来越重要的问题，但是到目前为止，还没有很多以客观方式比较方法的经验性尝试。 该项目包含一些工具，用于对不同度量的近似最近邻（ANN）搜索的各种实现进行基准测试。 我们已经预生成了数据集（采用HDF5格式），并且还为每种算法提供了Docker容器。 有一个可确保每种算法都能正常工作。 已评估 ：LSHForest，KDTree，BallTree ：SWGraph，HNSW，BallTree，MPLSH ：ONNG，PANNG，QG 数据集 为此，我们有许多预先计算的数据集。 所有数据集均已预先划分为训练/测试数据，并以前100个邻居的形式提供了地面真实数据。 我们以HDF5格式存储它们： 数据集 外型尺寸 火车尺寸 测试尺寸 邻居 距离 下载 96 990万 10,000 100 角度的 （3.6GB） 784 60,000 10,000 100 欧几里得 （217MB） 960 1,000,000 1,000 100 欧几里得 （3.6GB） 25 1,183,514 10,0

nvidia jetson benchmarks测试时用到的模型

用于测试U盘速度 比较好用 通常作U盘量化的前后可以分别测试一下，就知道量化对U盘有没有影响了。毕竟有的量化工具对U盘速度是有很大影响的。

适用于Python的HPC基准 这是一组基准测试，用于测试使用Python前端的各种计算后端的顺序CPU和GPU性能。 具体来说，我们想测试哪种高性能后端最适合地球物理（基于有限差分）的模拟。 内容 常问问题 为什么？ 科学的Python生态系统正在蓬勃发展，但是Python中的高性能计算还不是真正的事情。 我们尝试来更改此，但是我们应该使用哪个后端进行计算？ Python前端到高性能后端的开发需要大量的时间和资源，但是这些通常是为深度学习量身定制的。 我们想了解一下，通过（滥用）这些库进行地球物理建模，我们是否可以从这些进展中获利。 为什么基准看起来如此怪异？ 这些或多或少是逐字记录副本（即物理模型的实际部分）。 大多数地球系统和气候模型组件都基于有限差分方案来计算导数。 这可以通过数组的索引移位（例如0.5 * (arr[1:] + arr[:-1]) ， arr在每个点的一

国外一个算法网站测试的比较权威的ARM的Cortex M4_M7和Cortex A7 A8 A9 A15和各种主流DSP的Benchmarks性能评测报告，含fir等多种滤波算法的测试

leveldb 基准测试 一堆使用 node.js 使用 leveldb 测试各种事物的基准测试 批量插入 leveldb 有一个batch API，如果使用得当，可以提高批量插入的性能。 对此的基准位于以下存储库中： 这个基准的要点： 等待批量写入完成，然后再写入另一个 设置writeBufferSize选项以匹配批处理中数据的字节大小。 通常大于 16MB 的值没有区别 最好提前写入小批量，而不是等待批处理缓冲区填满然后再写入批处理 索引查询速度 leveldb 中的键按字典顺序排序，您可以直接获取键（如果您提前知道键），也可以在任何起始键位置创建迭代器并向前或向后迭代，直到找到第一个匹配的键。 以下存储库具有探索在 leveldb 中建立索引的不同方法的基准： 事实证明，保留二级索引的速度大约是其两倍，但这显然会占用更多的磁盘空间。 索引大小 leveldb 使用 snapp

CIS Benchmarks

CIS Benchmarks Amazon Linux

CIS Benchmarks Apache HTTP Server 2.2

java-基准测试 一些用于理解/探索 jvm 行为的基准