去年，谷歌曾在I/O开发者大会上透露了一款名为TPU的芯片，全称Tensor Processing Unit 张量处理器，是不是有点眼熟？（谷歌推出的机器学习框架叫tensorflow）。
这款谷歌自己研发的处理器，也是专门用于提高机器学习的运算效率。但是自打去年I/O开发者大会以来，谷歌并没有公开任务细节，直到上周。
上周，谷歌发表了一篇论文《In-Datacenter Performance Analysis of a Tensor Processing UnitTM》，详细披露了TPU的细节，这篇论文有75位联合作者，也是醉了。
了解这个TPU，我们先熟悉一点硬件知识。这个很重要，硬件决定了运算效率，意味着宝贵的时间。打个比方，跑一个模型，别人家的孩子只要2秒，而你要3分钟，写论文，别人家的孩子跑模型要一周，那你就要两年了，还能赶上毕业吗？
了解处理器，我们先从CPU入手。
1. CPU
CPU主要由运算逻辑器（ALU, Arithmetic and Logic Unit）和控制器（CU, Control Unit）组成：
- ALU：运算逻辑器主要执行运算操作（如算术运算、逻辑运算、移位运算、复杂运算等）。
- CU： 控制器负责对指令进行译码，并且发出信号，用来控制每条指令所要执行的各个操作。
- 此外，CPU还包括若干寄存器、高速缓冲存储器（Cache），以及实现它们之间联系的数据（data）、控制及状态的总线（Bus）。
什么是寄存器和高速缓冲存储器？如果把CPU比作人的大脑，内存就相当于人的记忆，Cache就相当于提取出来的临时记忆，寄存器就相当于大脑正在思考的事情。因此寄存器是内存阶层中最顶端，最快速取用资料的途径。其次是Cache，再次是CPU外部的内存。
CPU的内部结构很复杂，这里不做冗述，特点是通用性强，能处理不同的数据类型，执行起来有条不紊，它像一辆战车，缓缓的推进，完成一个个艰巨的任务。
但随着数据规模的扩大、同时对处理速度的要求越来越高，CPU有时只能让人干捉急，人们逐渐把目光投向了GPU。
2. GPU
GPU的全称是Graphics Processing Unit，图形处理器，之所以叫图形处理器，因为它最初被用来进行运行绘图运算。
处理图像时，图像上的每一个像素点都需要被处理，这种处理任务的特点是，量很大，但是单个任务又很小，这时用CPU这样的战车就不合适了，而GPU——我把它比作步兵，一拥而上同时作战。
一张图来对比一下CPU和GPU：
GPU的计算单元很多，但控制逻辑很简单，且省去了Cache，它适合去执行计算量大的任务。
3. TPU
TPU是一种ASIC，ASIC不再专门介绍，毕竟硬件知识一篇文章讲不完。大概意思就是，专门为某一项功能开发的专用集成芯片。这里的TPU，就是谷歌专门为机器学习开发的芯片。相关细节我还没有看论文，目前总结下来有这么几个点值得mark一下：
- TPU专用于推论inference，这个推论指的是使用训练好的模型进行推算；
- TPU处理速度比当前GPU和CPU快15~30倍（对比的分别是英伟达的Tesla K80和英特尔的至强E5-2699 v3）；
- 除了处理速度，TPU的功耗效率也提升了30~80倍；
- 驱动这些应用的神经网络，其代码只需要100~1500行，代码以Tensorflow为基础。
- 目前谷歌图像搜索（Google Image Search）、谷歌照片（Google Photo）、谷歌云视觉 API（Google Cloud Vision API）、以及AlphaGo中都能看到TPU的影子。
- END -
