具体硬件平台就不详细说了，浪费时间码字，贴一个淘宝上的配置：
有点广告的既视感，哈哈，不过我200块咸鱼收的2手，配置比这个稍低，比如CPU是Z8300，网卡是百兆的，WIFI可能也不是双频的（这个不确定。
因为linux下这玩意没驱动起来）不过我买回来不是做NAS，只是想搞个7*24在线的小服务器，映射到外网做一点小服务。所以配置差点也无所谓的样子
先来个待机功耗图：
待机2.0瓦。不过这个是算上这个220V/5V 3A的效率的，因为电源的总功率是15W(5V/3A)而目标功率小于3W，所以也算是低负载运行，所以实际功耗
应该是小于2瓦的，不像直测USB电流，测出来就是实际功耗，所以在接下来的对比中，我树莓派也用一个5V 3A的充电头来带，尽量做到情景一致
（不过考虑到不同的充电头，效率也不一样，所以还是不算严谨对比）先来个screenfetch。
-`
.o+` [email protected]
`ooo/ OS: Arch Linux
`+oooo: Kernel: x86_64 Linux 5.3.0-arch1-1-ARCH
`+oooooo: Uptime: 1h 5m
-+oooooo+: Packages: 188
`/:-:++oooo+: Shell: bash 5.0.9
`/++++/+++++++: CPU: Intel Atom x5-Z8300 @ 4x 1.84GHz [40.2°C]
`/++++++++++++++: GPU:
`/+++ooooooooooooo/` RAM: 88MiB / 1862MiB
./ooosssso++osssssso+`
.oossssso-````/ossssss+`
-osssssso. :ssssssso.
:osssssss/ osssso+++.
/ossssssss/ +ssssooo/-
`/ossssso+/:- -:/+osssso+-
`+sso+:-` `.-/+oso:
`++:. `-/+/
.` `/
算了，不说废话了，先记下现在测试过的结果：
空载 2.0W-2.1W，还算稳定
跑满单核（我自己写的单核计算圆周率的benchmark） 3.2W
跑满四核（同上），4.9W
Python递归算法计算斐波那契数列的40位：3.9W
测试成绩如下：
::Testing gcc installed ::>GCC installed ::===Benchmarking C=== ::Compling pi.c.. ::>Complie time:0.3423449993133545 ::>Calc time:111.01979780197144 ::Wait 10 seconds ::===Benchmarking GMP=== ::Compling gmpi.cpp.. ::>Complie time:2.5547237396240234 ::>Calc time:22.081634759902954 ::Wait 10 seconds ::===Benchmarking mtGMPi Mutithread=== ::Compling mtgmpi.c.. ::>Complie time:0.3653872013092041 ::Number of Thread: 4 ::>Calc time:65.04465556144714
嗯，记住时间就行，三个测试分别是111秒，22秒，65秒
最为比较，i7-4790K这三个成绩分别是：36.751，4.675，6.534
计算40位斐波那契数时间为：
[[email protected] fibn]$ python fib.py 102334155 151.38735151290894
比起台式机简直弱爆了哈哈。
树莓派3B，用的另外一个5V 3AUSB供电，测得空载功耗2.2W
python递归计算斐波那契数列，功耗3.4W
单线程计算圆周率： 3.4W
多线程计算圆周率：4.5-4.7W，不稳定，也有时候会蹦到4.0
[[email protected] pimark]$ python test.py ::Testing gcc installed ::>GCC installed ::===Benchmarking C=== ::Compling pi.c.. ::>Complie time:0.5492968559265137 ::>Calc time:106.87575554847717 ::Wait 10 seconds ::===Benchmarking GMP=== ::Compling gmpi.cpp.. ::>Complie time:3.184544086456299 ::>Calc time:26.894031286239624 ::Wait 10 seconds ::===Benchmarking mtGMPi Mutithread=== ::Compling mtgmpi.c.. ::>Complie time:0.5404598712921143 ::Number of Thread: 4 ::>Calc time:96.08412599563599
python递归速度有点让我不相信自己的眼睛了：
[[email protected] fibn]$ python fib.py 102334155 554.3715827465057
最终对比如下：
单线程满载，111秒 vs 106秒 3.2瓦 vs 3.4瓦 性能差距5% 树莓派小胜
多线程满载，65秒 VS 96秒 4.9瓦 vs 4.6瓦 性能差距47%，Z8300胜
python递归计算斐波那契数列： 151秒 vs 554秒 3.9瓦 vs 3.4瓦 性能差距367%，Z8300大胜
另外那个GMP单线程计算圆周率的结果是22秒 vs 26秒，Z8300 胜20%，
这里说明一下：第一个计算pi的程序，是用数组来做大数计算的，纯C语言编写。而后边俩都是用GMP大数库来做运算的，可以看作是GMP针对平台各自做一定的优化。
另外，树莓派的系统是32位系统，而Z8300系统为64位，也可能是有些项目差距过大的原因，后续我会再在树莓派64位系统做测试，看看是不是这个原因。
原文地址：https://www.cnblogs.com/yafengabc/p/11562232.html