Highway项目EMU128测试失败问题分析与解决方案
2025-06-12 02:04:04作者:丁柯新Fawn
问题背景
在构建Google Highway项目时,开发者遇到了EMU128目标测试失败的问题。这些问题主要出现在Windows 11系统上,使用CMake 3.31.0和Visual Studio 2022构建工具链时发生。测试失败表现为多种数学运算结果与预期不符,包括NaN检测、指数函数计算和浮点数转换等。
错误现象分析
测试失败的具体表现包括:
- NaN检测失败:EMU128目标在测试AllNaN时,未能正确识别NaN值,反而返回了最大浮点数值
- 指数函数计算错误:Expm1函数在输入较大负值时返回-INF而非预期的-1.0
- 浮点数转换精度问题:f32x4类型转换时出现精度损失,实际结果与预期存在微小差异
- 乘法累加运算错误:ReorderWidenMulAccumulate测试中结果完全错误
这些错误都集中在EMU128目标上,而SSE2目标的相同测试则全部通过,表明问题特定于软件模拟实现。
根本原因
经过深入分析,这些问题主要由以下因素导致:
- 编译器兼容性问题:Visual C++ 2022对某些数学运算的模拟实现与标准存在差异
- 浮点异常处理:在模拟环境下,某些极端值的处理方式与硬件实现不同
- 精度控制差异:软件模拟的浮点运算精度控制与硬件存在细微差别
解决方案
针对这些问题,项目维护者提供了两种解决方案:
方案一:更新代码库
将项目更新至最新主分支(commit 28c442f或更新),该版本已包含针对EMU128目标的修复:
- 修正了hwy/tests/hwy_gtest.h中的测试断言逻辑
- 优化了数学运算的模拟实现
- 改进了浮点异常处理
方案二:禁用问题目标
对于x86_64平台用户,可以安全地禁用EMU128和SCALAR目标,因为所有x86_64 CPU都保证支持SSE2指令集。通过在CMake配置中添加以下选项实现:
-DCMAKE_CXX_FLAGS="-DHWY_DISABLED_TARGETS=0x6000000000000000"
技术建议
- 测试策略:在持续集成环境中,建议同时运行硬件目标和软件模拟目标测试,但允许模拟目标有更大的误差容限
- 构建配置:对于性能关键应用,建议优先使用硬件加速目标
- 浮点运算:在模拟环境下使用高精度数学函数时,应注意设置合理的误差阈值
结论
Google Highway项目中的EMU128测试失败问题主要源于编译器兼容性和软件模拟实现的差异。通过更新代码库或选择性禁用问题目标,开发者可以顺利构建项目。这一案例也提醒我们,在跨平台开发中,需要特别注意不同编译器和运行环境下的数学运算行为差异。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137