過去十五年里，我們一直在我們的產(chǎn)品中使用高計算需求的機器學(xué)習(xí)。機器學(xué)習(xí)的應(yīng)用如此頻繁，以至于我們決定設(shè)計一款全新類別的定制化機器學(xué)習(xí)加速器，它就是 TPU。

TPU 究竟有多快？今天，聯(lián)合在硅谷計算機歷史博物館舉辦的國家工程科學(xué)院會議上發(fā)表的有關(guān) TPU 的演講中，我們發(fā)布了一項研究，該研究分享了這些定制化芯片的一些新的細節(jié)，自 2015 年以來，我們數(shù)據(jù)中心的機器學(xué)習(xí)應(yīng)用中就一直在使用這些芯片。第一代 TPU 面向的是推論功能（使用已訓(xùn)練過的模型，而不是模型的訓(xùn)練階段，這其中有些不同的特征），讓我們看看一些發(fā)現(xiàn)：

● 我們產(chǎn)品的人工智能負(fù)載，主要利用神經(jīng)網(wǎng)絡(luò)的推論功能，其 TPU 處理速度比當(dāng)前 GPU 和 CPU 要快 15 到 30 倍。

● 較之傳統(tǒng)芯片，TPU 也更加節(jié)能，功耗效率（TOPS／Watt）上提升了 30 到 80 倍。

● 驅(qū)動這些應(yīng)用的神經(jīng)網(wǎng)絡(luò)只要求少量的代碼，少的驚人：僅 100 到 1500 行。代碼以 TensorFlow 為基礎(chǔ)。

● 70 多個作者對這篇文章有貢獻。這份報告也真是勞師動眾，很多人參與了設(shè)計、證實、實施以及布局類似這樣的系統(tǒng)軟硬件。

TPU 的需求大約真正出現(xiàn)在 6 年之前，那時我們在所有產(chǎn)品之中越來越多的地方已開始使用消耗大量計算資源的深度學(xué)習(xí)模型；昂貴的計算令人擔(dān)憂。假如存在這樣一個場景，其中人們在 1 天中使用谷歌語音進行 3 分鐘搜索，并且我們要在正使用的處理器中為語音識別系統(tǒng)運行深度神經(jīng)網(wǎng)絡(luò)，那么我們就不得不翻倍谷歌數(shù)據(jù)中心的數(shù)量。

TPU 將使我們快速做出預(yù)測，并使產(chǎn)品迅速對用戶需求做出回應(yīng)。TPU 運行在每一次的搜索中；TPU 支持作為谷歌圖像搜索（Google Image Search）、谷歌照片（Google Photo）和谷歌云視覺 API（Google Cloud Vision API）等產(chǎn)品的基礎(chǔ)的精確視覺模型；TPU 將加強谷歌翻譯去年推出的突破性神經(jīng)翻譯質(zhì)量的提升；并在谷歌 DeepMind AlphaGo 對李世乭的勝利中發(fā)揮了作用，這是計算機首次在古老的圍棋比賽中戰(zhàn)勝世界冠軍。

我們致力于打造最好的基礎(chǔ)架構(gòu)，并將其共享給所有人。我們期望在未來的數(shù)周和數(shù)月內(nèi)分享更多的更新。

論文題目：數(shù)據(jù)中心的 TPU 性能分析（In－Datacenter Performance Analysis of a Tensor Processing Unit）

摘要：許多架構(gòu)師相信，現(xiàn)在要想在成本－能耗－性能（cost－energy－performance）上獲得提升，就需要使用特定領(lǐng)域的硬件。這篇論文評估了一款自 2015 年以來就被應(yīng)用于數(shù)據(jù)中心的定制化 ASIC，亦即張量處理器（TPU），這款產(chǎn)品可用來加速神經(jīng)網(wǎng)絡(luò)（NN）的推理階段。TPU 的中心是一個 65，536 的 8 位 MAC 矩陣乘法單元，可提供 92 萬億次運算／秒（TOPS）的速度和一個大的（28 MiB）的可用軟件管理的片上內(nèi)存。相對于 CPU 和 GPU 的隨時間變化的優(yōu)化方法（高速緩存、無序執(zhí)行、多線程、多處理、預(yù)取……），這種 TPU 的確定性的執(zhí)行模型（deterministic execution model）能更好地匹配我們的神經(jīng)網(wǎng)絡(luò)應(yīng)用的 99％ 的響應(yīng)時間需求，因為 CPU 和 GPU 更多的是幫助對吞吐量（throughout）進行平均，而非確保延遲性能。這些特性的缺失有助于解釋為什么盡管 TPU 有極大的 MAC 和大內(nèi)存，但卻相對小和低功耗。我們將 TPU 和服務(wù)器級的英特爾 Haswell CPU 與現(xiàn)在同樣也會在數(shù)據(jù)中心使用的英偉達 K80 GPU 進行了比較。我們的負(fù)載是用高級的 TensorFlow 框架編寫的，并是用了生產(chǎn)級的神經(jīng)網(wǎng)絡(luò)應(yīng)用（多層感知器、卷積神經(jīng)網(wǎng)絡(luò)和 LSTM），這些應(yīng)用占到了我們的數(shù)據(jù)中心的神經(jīng)網(wǎng)絡(luò)推理計算需求的 95％。盡管其中一些應(yīng)用的利用率比較低，但是平均而言，TPU 大約 15－30 倍快于當(dāng)前的 GPU 或者 CPU，速度／功率比（TOPS／Watt）大約高 30－80 倍。此外，如果在 TPU 中使用 GPU 的 GDDR5 內(nèi)存，那么速度（TOPS）還會翻三倍，速度／功率比（TOPS／Watt）能達到 GPU 的 70 倍以及 CPU 的 200 倍。

表 1：6 種神經(jīng)網(wǎng)絡(luò)應(yīng)用（每種神經(jīng)網(wǎng)絡(luò)類型各 2 種）占據(jù)了 TPU 負(fù)載的 95％。表中的列依次是各種神經(jīng)網(wǎng)絡(luò)、代碼的行數(shù)、神經(jīng)網(wǎng)絡(luò)中層的類型和數(shù)量（FC 是全連接層、Conv 是卷積層，Vector 是向量層，Pool 是池化層）以及 TPU 在 2016 年 7 月的應(yīng)用普及程度。RankBrain ［Cla15］ 使用了 DNN，谷歌神經(jīng)機器翻譯 ［Wu16］ 中用到了 LSTM，Inception 用到了 CNN，DeepMind AlphaGo ［Sil16］［Jou15］ 也用到了 CNN。

圖 1：TPU 各模塊的框圖。主要計算部分是右上方的黃色矩陣乘法單元。其輸入是藍色的「權(quán)重 FIFO」和藍色的統(tǒng)一緩存（Unified Buffer（UB））；輸出是藍色的累加器（Accumulators（Acc））。黃色的激活（Activation）單元在Acc中執(zhí)行流向UB的非線性函數(shù)。

圖 2：TPU 芯片布局圖。陰影同圖 1。藍色的數(shù)據(jù)緩存占芯片的 37％。黃色的計算是 30％。綠色的I／O 是 10％。紅色的控制只有 2％。CPU 或 GPU 中的控制部分則要大很多（并且非常難以設(shè)計）。

圖3：TPU印制電路板?？梢圆迦敕?wù)器 SATA 盤的卡槽，但是該卡使用了 PCIe Gen3 x16 接口。

圖4：矩陣乘法單元的 systolic 數(shù)據(jù)流。軟件具有每次讀取 256B 輸入的錯覺，同時它們會立即更新 256 個累加器 RAM 中其中每一個的某個位置。

表2：谷歌 TPU 與英特爾 Haswell E5－2699 v3、英偉達Tesla K80 的性能對比。E5 有 18 個核，K80 有 13 個 SMX 處理器。圖 10 已經(jīng)測量了功率。低功率 TPU 比高功率 GPU 能夠更好地匹配機架（rack）級密度。每個 TPU 的 8 GiB DRAM 是權(quán)重內(nèi)存（Weight Memory）。這里沒有使用 GPU Boost 模式。SECDEC 和非 Boost 模式把 K80 帶寬從 240 降至 160。非 Boost 模式和單裸片 vs 雙裸片性能把 K80 峰值 TOPS 從 8．7 降至 2．8（＊TPU 壓模小于等于半個 Haswell 壓模大?。?。

圖5：TPU （die） roofline。 其脊點位于所獲權(quán)重內(nèi)存每字節(jié)運行 1350 次的地方，距離右邊還比較遠。

表格3：TPU 在神經(jīng)網(wǎng)絡(luò)工作載荷中性能受到限制的因素，根據(jù)硬件性能計數(shù)器顯示的結(jié)果。1，4，5，6行，總共100％，以矩陣單元活動的測量結(jié)果為基礎(chǔ)。2，3行進一步分解為64K權(quán)重的部分，我們的計數(shù)器無法準(zhǔn)確解釋矩陣單元何時會停頓在第6行中；7、8行展示了計數(shù)器結(jié)果，可能有兩個原因，包括RAW管道危害，PCIe輸入停止。9行（TOPS）是以產(chǎn)品代碼的測量結(jié)果為基礎(chǔ)的，其他列是以性能計數(shù)器的測量結(jié)果為基礎(chǔ)的，因此，他們并不是那么完美保持一致。這里并未包括頂部主服務(wù)器。MLP以及LSTM內(nèi)存帶寬有限，但是CNN不是。CNN1的測試結(jié)果會在文中加以分析。

圖 9：GPU 服務(wù)器（藍條）對比 CPU、TPU 服務(wù)器（紅條）對比 CPU、TPU 服務(wù)器對比 GPU（橘黃）的相對性能表現(xiàn)／Watt（TDP）。TPU＇ 是改進版的 TPU（Sec．7）。綠條顯示了對比 CPU 服務(wù)器的比例，淡紫色顯示了與 GPU 服務(wù)器的關(guān)系。整體包括了主服務(wù)器的能耗，但不包括增量（incremental）。GM 和 WM 分別是幾何學(xué)圖形與加權(quán)平均值。

圖10：CNN0 平臺的單位功耗對比，其中紅色和橙色線是 GPU 加 CPU 系統(tǒng)的功率。藍色是英特爾 E5－2699 v3 Haswell CPU 的功率，綠色是英偉達 Tesla K80 的功率，紫色為谷歌 TPU。每個服務(wù)器通常有多個芯片組，以上所有數(shù)字都已被整除成單芯片功率。

圖11：加權(quán)平均 TPU 性能作為度量單元，從 0．25 倍擴展到了 4 倍：內(nèi)存帶寬，時鐘頻率＋累加器，時鐘頻率，矩陣單元維度＋累加器，以及矩陣單元維度。加權(quán)均值使得我們很難看出單個 DNN 的貢獻，但是，MLP 以及 LSTM 提升了 3 倍到 4 倍的內(nèi)存帶寬，但是，更高的時鐘頻率并沒帶來任何效果。對于 CNN 來說，結(jié)果反之亦然；4 倍的時鐘率，2 倍的效果。但是，更快的內(nèi)存并沒帶來什么好處。一個更大的矩陣乘法單元并不能對任何 DNN 有幫助。