根據Google它的張量處理單元或定制的機器學習加速器TPU比當代CPU和GPU快。
Google自己的機器學習TPU芯片
Google製作了自己的機器學習芯片來加強其機器學習算法，這不是秘密。它揭示了2016年5月在其I/O開發人員會議上，該TPU芯片在其I/O開發人員會議上，但從未透露過足夠的指標以使其成為談話點。但是現在，這些籌碼將是討論點，Google最終披露了有關該項目的細節和基準。
這些芯片的速度有多快？
那些更精通芯片設計語言的人可以瀏覽並閱讀Google的官方論文在芯片上，它可以詳細介紹該技術的細節。然而，最重要的是，在使用神經網絡推斷的生產工作量中，TPU芯片證明要快得多 - 至少比當代CPU和GPU組合快15至30倍，而Google則是Google的情況。組合指的是英特爾的Haswell Xeon E5-2699 V3處理器和Nvidia的Tesla K80 GPU。
這些自定義芯片自2015年以來一直為Google的數據中心提供動力，也被證明是比標準芯片更大的功率和能源效率，在每瓦消耗的能源的TERA運行方面至少取得了30至80倍的進步。這是值得注意的，因為功耗和效率是數據中心的關鍵方面。
這些應用程序當然是由神經網絡提供動力的，但是Google表示，運行它們並不是很大的壓力，僅需要100至1,500行代碼的低點計數。該代碼基於張量，Google的開源機器學習框架。
儘管數字看起來很出色，但值得一看的是，這些數字主要是指在生產中使用機器學習模型，而不是模型的訓練階段，該模型的特徵有所不同，根據向Google。
但是事實仍然是，與其他主要科技公司相比，Google更加誠摯地接受了人工神經網絡。在2013年，神經網絡被證明太流行了，其使用可能會使Google數據中心的計算需求增加一倍。如果不是為了定制的機器學習芯片，Google會依靠標準CPU和GPU來滿足這些需求，這些需求不僅要慢，因為它已經證明了這些需求，而且在該規模上要貴得多。
Google表示，其TPU芯片允許其迅速做出預測，並且由於其速度，電力產品需要在一秒鐘內進行響應。這些芯片也位於每個搜索查詢的後面，它們啟用了支持前線的準確視覺模型，例如Google Image Search，Google Photos和Google Cloud Vision API。這些TPU芯片也使Google翻譯的重大改進去年推出。
Google可能不會在其云平台之外提供TPU芯片，儘管該公司指出其他人可以從其結果中收集並製作自己的芯片，甚至可以篡奪Google所取得的成就，從而提高了更高的標準。
