谷歌前些天發布了專為其深度學習算法Tensor Flow設計的專用集成芯片，命名為張量處理單元（Tensor Processing Unit：TPU），我們都知道，相對于谷歌的軟件產品來說，它自行設計的硬件產品的登場往往沒有那么高調，偶爾會以雷聲大雨點小的結局收尾。但這次的新硬件涉及的領域是谷歌極為擅長和領先的深度學習。結合近期谷歌和各大科技巨頭在AI方面的動向，不難猜到這塊芯片對于谷歌和AI開發者來說意義重大，并且會對產業起到深遠的影響。但谷歌為什么要在通用硬件性能已經十分強大的現在仍然會為了深度學習算法專門開發一款硬件，而這塊芯片對其他巨頭來說又意味著什么，解釋起來就不是一件那么容易的事了。

　　深度學習的運算流程

　　對于任何運算來說，更換新硬件無非是為了兩個目的：更快的速度和更低的能耗。而深度學習這個看起來玄乎的詞語，究其本質也不過是大量的運算。我們都知道那句老話：萬能工具的效率永遠比不上專用工具。無論是CPU、GPU還是FPGA，其屬性都算是一種通用工具。因為它們都可以應付許多不同的任務。而專用的TPU自然從道理上來說就應該會比前面幾種硬件的效率都要高。這里的效率高，既是指速度更快，也是指能耗會更低。

　　但我們不能光講道理，也要擺出一些數據。實際上，Xilinx曾經表示在特定的FPGA開發環境下深度學習的能效比會達到CPU/GPU架構的25倍，不是一倍兩倍， 是25倍！同學們可以拿出紙和筆了，讓我們舉一個實際的例子來講講這種效率提升的原因：以在深度神經網絡（DNN）上進行的圖像識別為例子，網絡的整個結構大致是這樣的：

　　圖片來源：gitbooks.io

　　其中除輸入層是用來將圖像的特征提取為函數、輸出層用來輸出結果外，其他的隱層都是用來識別、分析圖像的特征的。當一幅圖被輸入時，第一層隱層會首先對其進行逐像素的分析。此時的分析會首先提取出圖像的一些大致特征，如一些粗略的線條、色塊等。如果輸入的是一張人臉的圖像，則首先獲得的會是一些傾斜的顏色變換。

　　第一層的節點會根據自己對所得信號的分析結果決定是否要向下一層輸出信號。而所謂的分析過程，從數學上來看就是每個隱層中的節點通過特定的函數來處理相鄰節點傳來的帶權重值的數據。并決定是否向下一層輸出結果，通常每一層分析完成后便有些節點不會再向下一層輸出數據，而當下一層接收到上一層的數據的時候，便能在此基礎上識別出一些更復雜的特征，如眼睛、嘴巴和鼻子等，

　　逐次增加辨識度之后，在最高一層，算法會完成對面部所有特征的識別，并在輸出層給出一個結果判斷。基于不同的應用，這個結果可能有不同的表現。比如分辨出這是誰的臉。

　　圖片來源：機器之心