根据谷歌它的张量处理单元或定制的机器学习加速器TPU比当代CPU和GPU快。
Google自己的机器学习TPU芯片
Google制作了自己的机器学习芯片来加强其机器学习算法，这不是秘密。它揭示了2016年5月在其I/O开发人员会议上，该TPU芯片在其I/O开发人员会议上，但从未透露过足够的指标以使其成为谈话点。但是现在，这些筹码将是讨论点，Google最终披露了有关该项目的细节和基准。
这些芯片的速度有多快？
那些更精通芯片设计语言的人可以浏览并阅读Google的官方论文在芯片上，它可以详细介绍该技术的细节。然而，最重要的是，在使用神经网络推断的生产工作量中，TPU芯片证明要快得多 - 至少比当代CPU和GPU组合快15至30倍，而且在Google的案例中，组合指的是英特尔的Haswell Xeon E5-2699 V3处理器和Nvidia的Tesla K80 GPU。
这些自定义芯片自2015年以来一直在为Google的数据中心提供动力，也被证明是比标准芯片更大的功率和能源效率，在每瓦消耗的能源的TERA操作方面至少取得了30至80倍的进步。这是值得注意的，因为功耗和效率是数据中心的关键方面。
这些应用程序当然是由神经网络提供动力的，但是Google表示，运行它们并不是很大的压力，仅需要100至1,500行代码的低点计数。该代码基于张量，Google的开源机器学习框架。
尽管数字看起来很出色，但值得一看的是，这些数字主要是指在生产中使用机器学习模型，而不是模型的训练阶段，该模型的特征有所不同，根据向Google。
但是事实仍然是，与其他主要科技公司相比，Google更加诚挚地接受了人工神经网络。在2013年，神经网络被证明太流行了，其使用可能会使Google数据中心的计算需求增加一倍。如果不是为了定制的机器学习芯片，Google会依靠标准CPU和GPU来满足这些需求，这些需求不仅要慢了，因为它已经证明了这些要求，而且在该规模上要贵得多。
Google表示，其TPU芯片允许其迅速做出预测，并且由于其速度，电力产品需要在一秒钟内进行响应。这些芯片也位于每个搜索查询的后面，它们启用了支持前线的准确视觉模型，例如Google Image Search，Google Photos和Google Cloud Vision API。这些TPU芯片也使Google翻译的重大改进去年推出。
Google可能不会在其云平台之外提供TPU芯片，尽管该公司指出其他人可以从其结果中收集并制作自己的芯片，甚至可以篡夺Google所取得的成就，从而提高了更高的标准。
