Test • AMD Zen 2 : X570 & Ryzen 7 3700X / Ryzen 9 3900X

• 7Zip

Débutons cette section par l'utilisation de 7-Zip dans sa version 19.00 et de son benchmark intégré pour mesurer la performance en compression LZA2. Le résultat est exprimé en Mo/s.

Ce logiciel a tendance à relativement bien scaler, il profite également fortement du SMT / Hyper-Threading. Par contre le 2990WX et son architecture mémoire spécifique (la moitié des cœurs n'ont pas un accès direct à la mémoire), a du mal à en tirer parti. À nouveau le Ryzen 7 3700X devance le 9900K, mais de 15% cette fois, Z-Zip étant friand du cache L3 doublé. À tel point que le Ryzen 9 3900X parvient à devancer le 2950X, disposant pourtant de 4 cœurs supplémentaires, seul le 18 cœurs restant devant (+8 %). 

• VeraCrypt

Poursuivons cette section par le chiffrement de données à l'aide de VeraCrypt (développé par la société Française IDRIX et qui s'appuie sur les bases de TrueCrypt) via le benchmark intégré (1 Go), qui prend en charge l'accélération matérielle de certains CPU par le biais de leur jeu d'instructions AES-NI.

Cette fois, c'est plus difficile de briller pour les nouveaux venus face aux processeurs sur plateforme HEDT, hormis le 2990WX pour les mêmes raisons qu'évoquées précédemment. Les Ryzen avaient déjà un léger ascendant sur ce test, les nouveaux venus enfoncent le clou avec un gain de 12% pour le 3700X face au 2700X.

• asmFish

Nous utilisons à présent asmFish afin de vérifier la capacité des CPU à faire tourner une IA d’échecs. Nous utilisons l'exécutable le plus adapté à chaque CPU en adaptant le parallélisme aux capacités de chaque processeur testé, sur une profondeur de 24 coups.

Les Zen 2 apportent de joli gains (+19% pour le 3700X vs 2700X), de quoi lui permettre de devancer légèrement le Core i9-9900K. Son grand-frère en profite pour faire de même avec le 2950X.

• Tensorflow

Que serait un test de CPU sans la dernière tendance du moment, le machine learning ? Nous choisissons pour cette tâche tensorflow, une implémentation python développée par Google, pouvant également tirer parti de CUDA pour s'accélérer sur GPU. Notez que notre version utilise au maximum le SSSE3 dans un souci de compatibilité du code avec les plus anciens CPU, et tourne dans notre image Linux (sautez quelques pages pour plus de détails à ce sujet). Petit avant bouche d'un dossier plus complet à venir, nous utilisons un script secret implémentant l'apprentissage d'un réseau de neurones profond convolutionnel réalisant la super-resolution d'images Full HD. Pour simuler une charge de travail conséquente, nous n'utilisons qu'une seule image, mais un entraînement de 100 epochs et reportons le temps nécessaire à terminer l'apprentissage.

Malgré l'absence d'AVX2, les processeurs Zen 2 s'avèrent à nouveau méchamment efficaces sur ce test, le R9 3900X ratant la première marche que pour quelques secondes. Son petit frère se montre 25% plus rapide que le 2700X, de quoi devancer de 15% le Core i9-9900K. Notez au passage que le Core i9-9980XE est également sous-utilisé, l'AVX-512 étant un fort atout dans cette tâche. Néanmoins, en tirer parti nécessite de recompiler toute la bibliothèque, chose très peu courante pour le grand public.

Page suivante, éprouvons les nouveaux venus à l'aide des tâches de création 3D et vidéo.