作者：Arm 開發(fā)者大使 Dawid Borycki

微軟 Windows 10 和 Windows 11 集成了 Arm 原生支持，這保證了為 Windows 開發(fā)更多 Arm 原生應(yīng)用。這種支持提供了額外的工具，以簡化應(yīng)用移植、增強(qiáng)應(yīng)用性能并降低功耗。因此，很多公司目前正在為 Windows 投資 Arm 原生應(yīng)用。

此前，Arm 曾談到 Windows on Arm 應(yīng)用生態(tài)系統(tǒng)的良好發(fā)展勢頭，Google Chrome 就是一個很好的例子。與此同時，我們也想通過探索原生 Arm 支持為 Google Chrome 帶來的諸多改進(jìn)來進(jìn)一步印證這一點。

適用于 Google Chrome 的 AArch64 支持

最新版本的 Google Chrome 增加了對 Windows 的原生 AArch64 支持，為用戶帶來諸多優(yōu)勢，包括：

提升性能：Arm 原生支持使 Google Chrome 網(wǎng)頁瀏覽速度更快，效率更高，與模擬的 x86 版本相比，性能有了顯著提高。

加快網(wǎng)頁加載：得益于 Arm 原生支持對腳本、系統(tǒng)任務(wù)和渲染過程的優(yōu)化，原本加載較慢的網(wǎng)站現(xiàn)在能夠更快地完成加載。

增強(qiáng)的 JavaScript 執(zhí)行：在 Arm 原生代碼運(yùn)行時，JavaScript 執(zhí)行速度明顯加快，增強(qiáng)了網(wǎng)頁應(yīng)用和交互元素的響應(yīng)能力。

延長電池續(xù)航時間：Arm 原生代碼的高能效使用戶可以更長時間地使用設(shè)備，而無需頻繁充電。

卓越的渲染速度：渲染時間大大縮短，使網(wǎng)頁顯示變得更快速、更順暢。

模擬 x86 與 Arm 原生的性能對比

為了更清晰地展示這些優(yōu)勢，我們在 x86_64 架構(gòu)的 Windows 系統(tǒng)上安裝了 Google Chrome （版本號為 125.0.6422.61，官方版），下文簡稱“Win64”，并在 Windows on Arm 環(huán)境中通過模擬方式運(yùn)行；同時，我們還在 AArch64 架構(gòu)的 Windows 系統(tǒng)上安裝了原生版本的 Chrome，下文簡稱“Arm64”。我們利用這兩個版本的 Chrome 對一個熱門新聞網(wǎng)站的性能進(jìn)行了對比分析。

我們使用 Google Chrome 開發(fā)者工具中的“性能”選項卡，量化了加載和渲染速度。

模擬 x86 版本：網(wǎng)站加載耗時近 16 秒，其中腳本（4.4 秒）、系統(tǒng)任務(wù)（1.7 秒）和渲染（0.9 秒）花費(fèi)了大量時間。

Arm 原生版本：腳本時間減少至 1.5 秒（幾乎縮短了三倍），系統(tǒng)任務(wù)時間減少至 0.4 秒（縮短 4.25 倍），渲染時間減少至 0.18 秒（縮短五倍），表明原生 Arm 執(zhí)行大大提升了加載和渲染速度。

在其他新聞網(wǎng)站進(jìn)行的性能測試也得出了類似結(jié)果。?

Speedometer 3.0 基準(zhǔn)測試

我們使用了 Speedometer 3.0 網(wǎng)頁瀏覽器基準(zhǔn)測試，來進(jìn)一步印證 Arm 原生版 Google Chrome 的性能優(yōu)勢。這是一項開源基準(zhǔn)測試，通過對不同工作負(fù)載下模擬的用戶交互進(jìn)行計時，用來測定網(wǎng)頁應(yīng)用的響應(yīng)能力。

基準(zhǔn)測試任務(wù)旨在反映實際網(wǎng)頁用例情況，盡管部分細(xì)節(jié)與 Speedometer 相關(guān)，不應(yīng)作為通用的應(yīng)用開發(fā)實踐。該基準(zhǔn)測試由主流瀏覽器引擎（Blink、Gecko 和 WebKit）的團(tuán)隊創(chuàng)建，并得到了 Google、英特爾、微軟和 Mozilla 等公司的大力支持。

在模擬 x86 和 Arm 原生版 Google Chrome上運(yùn)行 Speedometer 3.0 基準(zhǔn)測試后（在 Windows Dev Kit 2023 上測試），發(fā)現(xiàn) Arm 原生支持顯著增強(qiáng)了網(wǎng)頁應(yīng)用的響應(yīng)能力。上圖顯示了 Arm 原生性能得分比模擬 x86 高出三倍多。這進(jìn)一步凸顯了 Windows on Arm 上原生 Arm 應(yīng)用的出色效率和性能。

用 TensorFlow.js 和 MobileNet 運(yùn)行推理

TensorFlow.js 是 Google 廣受好評的 TensorFlow 庫的 JavaScript 實現(xiàn)。它允許開發(fā)者在構(gòu)建交互性強(qiáng)、動態(tài)性高的瀏覽器應(yīng)用時，運(yùn)用人工智能 (AI) 和機(jī)器學(xué)習(xí) (ML) 技術(shù)。通過 TensorFlow.js，用戶可以直接在客戶端環(huán)境中訓(xùn)練和部署 AI 模型，輕松實現(xiàn)實時數(shù)據(jù)處理和分析，無需大量的服務(wù)器端計算。

MobileNet 是一類專為移動端和嵌入式視覺應(yīng)用設(shè)計的高效架構(gòu)，憑借其輕量級設(shè)計脫穎而出，能夠在計算能力和內(nèi)存資源有限的設(shè)備上實現(xiàn)快速高效的性能。

在使用 TensorFlow 的 Python 應(yīng)用中，使用 MobileNet 非常簡潔明了：

Python:

model = MobileNet(weights='imagenet')

接著，就可以對輸入的圖像進(jìn)行預(yù)測 (predictions)：

predictions = model.predict(input_image)

請參閱教程以獲得更好的訓(xùn)練和推理示例。

然后這些預(yù)測結(jié)果可以轉(zhuǎn)換為實際標(biāo)簽，比如：

print('Predicted:', decode_predictions(predictions, top=3)[0])

這里的 decode_predictions 是一個假設(shè)函數(shù)，它的作用是將模型分?jǐn)?shù)（概率）轉(zhuǎn)換為描述圖像內(nèi)容的標(biāo)簽。

TensorFlow.js 提供了類似的接口，你可以這樣加載 MobileNet 模型：

model_tfjs = awaittf.loadGraphModel(MOBILENET_MODEL_PATH)

等圖像預(yù)處理完，就可以進(jìn)行預(yù)測了：

predictions = model_tfjs.predict(image)

然后，把這些預(yù)測結(jié)果轉(zhuǎn)換為標(biāo)簽或類別：

labels = await getTopKClasses(predictions, 3)

如需更好的網(wǎng)頁應(yīng)用示例，請參閱此示例。

我們在模擬 x86 Chrome 網(wǎng)頁瀏覽器和 Arm 原生版 Chrome 中運(yùn)行了上述網(wǎng)頁應(yīng)用。

下圖演示了在 Chrome 網(wǎng)頁瀏覽器中運(yùn)行的網(wǎng)頁應(yīng)用。該應(yīng)用的用戶界面包含三個核心元素：描述部分、狀態(tài)指示器和模型輸出顯示。描述部分介紹了應(yīng)用是如何創(chuàng)建的。上傳圖像后，應(yīng)用立即開始運(yùn)行，狀態(tài)組件會實時更新，以顯示計算時間。圖像處理完成后，模型輸出會顯示識別出的標(biāo)簽及其相應(yīng)的分?jǐn)?shù)。

在模擬 x86 Chrome 上，包括圖像預(yù)處理和 AI 推理在內(nèi)的總處理時間接近 100 毫秒。而在 Arm 原生版 Google Chrome 上，同樣的操作僅花費(fèi) 35 毫秒（大約為前者的 33%）。由于使用了相同的圖像作為輸入，因此推理結(jié)果（識別的標(biāo)簽和分?jǐn)?shù)）是相同的。

提升真實性能，滿足實際需求

在 Google Chrome 的 Windows 版本中集成原生 Arm 支持，可大大提升性能，使網(wǎng)頁瀏覽速度更快、效率更高、響應(yīng)能力更強(qiáng)。這些改進(jìn)在一般的網(wǎng)頁瀏覽和特定應(yīng)用（如包含 MobileNet 的 TensorFlow.js）中都很顯著，凸顯了 Arm 原生支持在更廣泛的計算領(lǐng)域日益增長的重要性。隨著更多公司投資適用于 Windows 的 Arm 原生應(yīng)用，用戶可以期待在各類設(shè)備和應(yīng)用上效率和性能的持續(xù)提升。

Arm 致力于推動創(chuàng)新，提供前沿技術(shù)，賦能開發(fā)者并提升用戶體驗。Arm 原生支持在 Google Chrome 中的成功應(yīng)用彰顯了 Arm 架構(gòu)在塑造未來計算方面的革新潛力。

若你有興趣學(xué)習(xí)如何將應(yīng)用遷移到 Arm 平臺上，歡迎訪問 Arm Developer Hub 中的豐富教育資源。