0
| 本文作者：李秀琴 | 2017-04-06 11:01 |
雷锋网消息，在2016年5月的I/O开发者大会上，谷歌首次向外透露了其机器学习专用芯片Tensor处理单元（TPU）。之后，谷歌除了公布它们是围绕公司自身进行优化的TensorFlow机器学习框架之外，就再未透露更多的细节。今日，谷歌的硬件工程师Norm Jouppi首次向外分享了更多关于该项目的细节和测试结果。
如果你是一个芯片设计师，你可以在谷歌公布的研究报告里找到很多关于这一TPU如何运作的细节。
在此次测试中，谷歌基于自己的基准测试对自研芯片进行了测试。测试结果表明，TPU在执行谷歌常规机器学习工作负载方面，比一个标准的GPU/CPU组合（一般是Intel Haswell处理器和Nvidia K80 GPU组合的情况下）平均要快15-30倍。另外，由于数据中心的功耗计算，TPU还能提供高达30-80倍瓦特的速率。研究报告作者表示，如果将来使用更快的内存，该TPU还有进一步优化的空间。
值得注意的是，这些数字是关于在生产中使用机器学习模型的，而不是首次创建模型。
谷歌还指出，虽然大多数架构师为卷积神经网络（convolutional neural networks，例如，对于图像识别工作良好的特定类型的神经网络）优化了其芯片。然而，谷歌表示，这些网络只占其数据中心工作负载的5％左右，而大部分应用使用的是多层感知器（ multi-layer perceptrons）。
机器学习的本质是密集计算，比如 Google 工程师举的例子 —— 如果人们每天用三分钟的语音搜索，但运行没有 TPU 加持的语音识别人物的话，该公司将需要建造两倍多的数据中心。
事实上，据谷歌表示，该公司在2006年就已开始研究如何其数据中心中使用GPU，FPGA和自定义ASICS（其实质上是TPU）。然而，由于他们所需的大量工作负载，可能只能利用数据中心里面已经可用的多余硬件，而当时并没有那么多的应用程序真的可以在这种特殊硬件中受益。
据悉，谷歌已经将TPU用于许多内部项目，如机器学习系统RankBrain、Google街景、以及AlphaGo等。但Google尚未给出将TPU应用于外部项目的计划。
谷歌在其研究报告里表示：2013年，我们预计到DNN或许在将来会成为非常受欢迎的方向，而这可能会使数据中心的计算需求增加一倍，如果要满足传统的CPU将会需要高昂的价格。“因此，我们开始了这个高度优先的项目，以快速生成用于推理的定制ASIC（并购买了现成的GPU来进行培训）。”谷歌一位工程师表示。
据雷锋网了解，谷歌不太可能在其云端之外提供TPU。不过谷歌表明，预计将来会有其他人采用我们所学到的知识，并“成为更高水准的继任者”。
Via TechCrunch，雷锋网编译
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
