（文章來源：OFweek）

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：

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。

不難想象，由于每一層分析的時候都要對極大量的數據進行運算，因此對處理器的計算性能要求極高。這時CPU的短板就明顯的體現出來了，在多年的演化中，CPU依據其定位需要不斷強化了進行邏輯運算（If else之類）的能力。相對的卻沒有提高多少純粹的計算能力。因此CPU在面對如此大量的計算的時候難免會感到吃力。很自然的，人們就想到用GPU和FPGA去計算了。

實際的計算能力除了和硬件的計算速度有關，也同硬件能支持的指令有關。我們知道將某些較高階的運算分解成低階運算時會導致計算的效率下降。但如果硬件本身就支持這種高階運算，就無需再將其分解了。可以節省很多時間和資源。

FPGA和GPU內都有大量的計算單元，因此它們的計算能力都很強。在進行神經網絡運算的時候速度會比CPU快很多，但兩者之間仍存在一些差別。GPU出廠后由于架構固定硬件原生支持的指令其實就固定了。如果神經網絡運算中有GPU不支持的指令。

比如，如果一個GPU只支持加減乘除，而我們的算法需要其進行矩陣向量乘法或者卷積這樣的運算，GPU就無法直接實現，就只能通過軟件模擬的方法如用加法和乘法運算的循環來實現，速度會比編程后的FPGA慢一些。而對于一塊FPGA來說，如果FPGA沒有標準的“卷積”指令，開發者可以在FPGA的硬件電路里“現場編程”出來。相當于通過改變FPGA的硬件結構讓FPGA可以原生支持卷積運算，因此效率會比GPU更高。

其實講到這里，我們已經比較接近谷歌開發TPU的原因了。TPU是一種ASIC，這是一種與FPGA類似，但不存在可定制性的專用芯片，如同谷歌描述的一樣，是專為它的深度學習語言Tensor Flow開發的一種芯片。因為是專為Tensor Flow所準備，因此谷歌也不需要它擁有任何可定制性了，只要能完美支持Tensor Flow需要的所有指令即可。而同時，TPU運行Tensor Flow的效率無疑會是所有設備中最高的。這就是谷歌開發TPU的最顯而易見的目的：追求極致的效率。
? ? ? ? （責任編輯：fqj）