CPU、GPU、TPU、NPU等的講解

CPU即中央處理器（Central Processing Unit）

GPU即圖形處理器（Graphics Processing Unit）

TPU即谷歌的張量處理器（Tensor Processing Unit）

NPU即神經(jīng)網(wǎng)絡(luò)處理器（Neural network Processing Unit）

概括三者區(qū)別：

CPU雖然有多核，但一般也就幾個，每個核都有足夠大的緩存和足夠多的數(shù)字和邏輯運算單元，需要很強的通用性來處理各種不同的數(shù)據(jù)類型，同時又要邏輯判斷又會引入大量的分支跳轉(zhuǎn)和中斷的處理，并輔助有很多加速分支判斷甚至更復(fù)雜的邏輯判斷的硬件;

GPU的核數(shù)遠超CPU，被稱為眾核（NVIDIA Fermi有512個核）。每個核擁有的緩存大小相對小，數(shù)字邏輯運算單元也少而簡單（GPU初始時在浮點計算上一直弱于CPU），面對的則是類型高度統(tǒng)一的、相互無依賴的大規(guī)模數(shù)據(jù)和不需要被打斷的純凈的計算環(huán)境。

TPU是一款為機器學(xué)習(xí)而定制的芯片，經(jīng)過了專門深度機器學(xué)習(xí)方面的訓(xùn)練，它有更高效能（每瓦計算能力）。大致上，相對于現(xiàn)在的處理器有7年的領(lǐng)先優(yōu)勢，寬容度更高，每秒在芯片中可以擠出更多的操作時間，使用更復(fù)雜和強大的機器學(xué)習(xí)模型，將之更快的部署，用戶也會更加迅速地獲得更智能的結(jié)果。

所謂NPU， 即神經(jīng)網(wǎng)絡(luò)處理器，用電路模擬人類的神經(jīng)元和突觸結(jié)構(gòu)。

CPU

中央處理器（CPU，Central Processing Unit），是電子計算機的主要設(shè)備之一，電腦中的核心配件。其功能主要是解釋計算機指令以及處理計算機軟件中的數(shù)據(jù)。電腦中所有操作都由CPU負責(zé)讀取指令，對指令譯碼并執(zhí)行指令的核心部件。

CPU的結(jié)構(gòu)主要包括運算器（ALU， Arithmetic and Logic Unit）、控制單元（CU， Control Unit）、寄存器（Register）、高速緩存器（Cache）和它們之間通訊的數(shù)據(jù)、控制及狀態(tài)的總線。

CPU遵循的是馮諾依曼架構(gòu)，其核心就是：存儲程序，順序執(zhí)行。

另外，因為遵循馮諾依曼架構(gòu)（存儲程序，順序執(zhí)行），CPU就像是個一板一眼的管家，人們吩咐的事情它總是一步一步來做。但是隨著人們對更大規(guī)模與更快處理速度的需求的增加，這位管家漸漸變得有些力不從心。

于是，大家就想，能不能把多個處理器放在同一塊芯片上，讓它們一起來做事，這樣效率不就提高了嗎？

沒錯，GPU便由此誕生了。

GPU

在正式講解GPU之前，我們先來講講上文中提到的一個概念：并行計算。

并行計算（Parallel Computing）是指同時使用多種計算資源解決計算問題的過程，是提高計算機系統(tǒng)計算速度和處理能力的一種有效手段。它的基本思想是用多個處理器來共同求解同一問題，即將被求解的問題分解成若干個部分，各部分均由一個獨立的處理機來并行計算。

并行計算可分為時間上的并行和空間上的并行。

時間上的并行是指流水線技術(shù)，比如說工廠生產(chǎn)食品的時候分為四步：清洗-消毒-切割-包裝。

如果不采用流水線，一個食品完成上述四個步驟后，下一個食品才進行處理，耗時且影響效率。但是采用流水線技術(shù)，就可以同時處理四個食品。這就是并行算法中的時間并行，在同一時間啟動兩個或兩個以上的操作，大大提高計算性能。

空間上的并行是指多個處理機并發(fā)的執(zhí)行計算，即通過網(wǎng)絡(luò)將兩個以上的處理機連接起來，達到同時計算同一個任務(wù)的不同部分，或者單個處理機無法解決的大型問題。

比如小李準備在植樹節(jié)種三棵樹，如果小李1個人需要6個小時才能完成任務(wù)，植樹節(jié)當(dāng)天他叫來了好朋友小紅、小王，三個人同時開始挖坑植樹，2個小時后每個人都完成了一顆植樹任務(wù)，這就是并行算法中的空間并行，將一個大任務(wù)分割成多個相同的子任務(wù)，來加快問題解決速度。

所以說，如果讓CPU來執(zhí)行這個種樹任務(wù)的話，它就會一棵一棵的種，花上6個小時的時間，但是讓GPU來種樹，就相當(dāng)于好幾個人同時在種。

GPU全稱為Graphics Processing Unit，中文為圖形處理器，就如它的名字一樣，GPU最初是用在個人電腦、工作站、游戲機和一些移動設(shè)備（如平板電腦、智能手機等）上運行繪圖運算工作的微處理器。

為什么GPU特別擅長處理圖像數(shù)據(jù)呢？這是因為圖像上的每一個像素點都有被處理的需要，而且每個像素點處理的過程和方式都十分相似，也就成了GPU的天然溫床。

但GPU無法單獨工作，必須由CPU進行控制調(diào)用才能工作。CPU可單獨作用，處理復(fù)雜的邏輯運算和不同的數(shù)據(jù)類型，但當(dāng)需要大量的處理類型統(tǒng)一的數(shù)據(jù)時，則可調(diào)用GPU進行并行計算。

GPU的工作大部分都計算量大，但沒什么技術(shù)含量，而且要重復(fù)很多很多次。

借用知乎上某大神的說法，就像你有個工作需要計算幾億次一百以內(nèi)加減乘除一樣，最好的辦法就是雇上幾十個小學(xué)生一起算，一人算一部分，反正這些計算也沒什么技術(shù)含量，純粹體力活而已;而CPU就像老教授，積分微分都會算，就是工資高，一個老教授資頂二十個小學(xué)生，你要是富士康你雇哪個？

但有一點需要強調(diào)，雖然GPU是為了圖像處理而生的，但是我們通過前面的介紹可以發(fā)現(xiàn)，它在結(jié)構(gòu)上并沒有專門為圖像服務(wù)的部件，只是對CPU的結(jié)構(gòu)進行了優(yōu)化與調(diào)整，所以現(xiàn)在GPU不僅可以在圖像處理領(lǐng)域大顯身手，它還被用來科學(xué)計算、密碼破解、數(shù)值分析，海量數(shù)據(jù)處理（排序，Map-Reduce等），金融分析等需要大規(guī)模并行計算的領(lǐng)域。

TPU

張量處理單元（TPU）是一種定制化的 ASIC 芯片，它由谷歌從頭設(shè)計，并專門用于機器學(xué)習(xí)工作負載。TPU 為谷歌的主要產(chǎn)品提供了計算支持，包括翻譯、照片、搜索助理和 Gmail 等。Cloud TPU 將 TPU 作為可擴展的云計算資源，并為所有在 Google Cloud 上運行尖端 ML 模型的開發(fā)者與數(shù)據(jù)科學(xué)家提供計算資源。

按照上文所述，CPU和GPU都是較為通用的芯片，但是有句老話說得好：萬能工具的效率永遠比不上專用工具。

隨著人們的計算需求越來越專業(yè)化，人們希望有芯片可以更加符合自己的專業(yè)需求，這時，便產(chǎn)生了ASIC（專用集成電路）的概念。

ASIC是指依產(chǎn)品需求不同而定制化的特殊規(guī)格集成電路，由特定使用者要求和特定電子系統(tǒng)的需要而設(shè)計、制造。

而TPU（Tensor Processing Unit， 張量處理器）就是谷歌專門為加速深層神經(jīng)網(wǎng)絡(luò)運算能力而研發(fā)的一款芯片，其實也是一款A(yù)SIC。

據(jù)稱，TPU與同期的CPU和GPU相比，可以提供15-30倍的性能提升，以及30-80倍的效率（性能/瓦特）提升。初代的TPU只能做推理，要依靠Google云來實時收集數(shù)據(jù)并產(chǎn)生結(jié)果，而訓(xùn)練過程還需要額外的資源;而第二代TPU既可以用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，又可以用于推理。

NPU

所謂NPU（Neural network Processing Unit）， 即神經(jīng)網(wǎng)絡(luò)處理器。用電路模擬人類的神經(jīng)元和突觸結(jié)構(gòu)。

神經(jīng)網(wǎng)絡(luò)中存儲和處理是一體化的，都是通過突觸權(quán)重來體現(xiàn)。而馮·諾伊曼結(jié)構(gòu)中，存儲和處理是分離的，分別由存儲器和運算器來實現(xiàn)，二者之間存在巨大的差異。當(dāng)用現(xiàn)有的基于馮·諾伊曼結(jié)構(gòu)的經(jīng)典計算機（如X86處理器和英偉達GPU）來跑神經(jīng)網(wǎng)絡(luò)應(yīng)用時，就不可避免地受到存儲和處理分離式結(jié)構(gòu)的制約，因而影響效率。這也就是專門針對人工智能的專業(yè)芯片能夠?qū)鹘y(tǒng)芯片有一定先天優(yōu)勢的原因之一。

NPU的典型代表有國內(nèi)的寒武紀芯片和IBM的TrueNorth。以中國的寒武紀為例，DianNaoYu指令直接面對大規(guī)模神經(jīng)元和突觸的處理，一條指令即可完成一組神經(jīng)元的處理，并對神經(jīng)元和突觸數(shù)據(jù)在芯片上的傳輸提供了一系列專門的支持。

用數(shù)字來說話，CPU、GPU與NPU相比，會有百倍以上的性能或能耗比差距–以寒武紀團隊過去和Inria聯(lián)合發(fā)表的DianNao論文為例–DianNao為單核處理器，主頻為0.98GHz，峰值性能達每秒4520億次神經(jīng)網(wǎng)絡(luò)基本運算，65nm工藝下功耗為0.485W，面積3.02平方毫米mm。

BPU

BPU（Brain Processing Unit，大腦處理器）是由地平線科技提出的嵌入式人工智能處理器架構(gòu)。第一代是高斯架構(gòu)，第二代是伯努利架構(gòu)，第三代是貝葉斯架構(gòu)。目前地平線已經(jīng)設(shè)計出了第一代高斯架構(gòu)，并與英特爾在2017年CES展會上聯(lián)合推出了ADAS系統(tǒng)（高級駕駛輔助系統(tǒng)）。

DPU

DPU（Deep learning Processing Unit， 即深度學(xué)習(xí)處理器）最早由國內(nèi)深鑒科技提出，基于Xilinx可重構(gòu)特性的FPGA芯片，設(shè)計專用的深度學(xué)習(xí)處理單元（可基于已有的邏輯單元，設(shè)計并行高效的乘法器及邏輯電路，屬于IP范疇），且抽象出定制化的指令集和編譯器（而非使用OpenCL），從而實現(xiàn)快速的開發(fā)與產(chǎn)品迭代。事實上，深鑒提出的DPU屬于半定制化的FPGA。

總結(jié)

APU – Accelerated Processing Unit， 加速處理器，AMD公司推出加速圖像處理芯片產(chǎn)品。

BPU – Brain Processing Unit，地平線公司主導(dǎo)的嵌入式處理器架構(gòu)。

CPU – Central Processing Unit 中央處理器， 目前PC core的主流產(chǎn)品。

DPU – Deep learning Processing Unit， 深度學(xué)習(xí)處理器，最早由國內(nèi)深鑒科技提出;另說有Dataflow Processing Unit 數(shù)據(jù)流處理器， Wave Computing 公司提出的AI架構(gòu);Data storage Processing Unit，深圳大普微的智能固態(tài)硬盤處理器。

FPU – Floating Processing Unit 浮點計算單元，通用處理器中的浮點運算模塊。

GPU – Graphics Processing Unit， 圖形處理器，采用多線程SIMD架構(gòu)，為圖形處理而生。

HPU – Holographics Processing Unit 全息圖像處理器， 微軟出品的全息計算芯片與設(shè)備。

IPU – Intelligence Processing Unit， Deep Mind投資的Graphcore公司出品的AI處理器產(chǎn)品。

MPU/MCU – Microprocessor/Micro controller Unit， 微處理器/微控制器，一般用于低計算應(yīng)用的RISC計算機體系架構(gòu)產(chǎn)品，如ARM-M系列處理器。

NPU – Neural Network Processing Unit，神經(jīng)網(wǎng)絡(luò)處理器，是基于神經(jīng)網(wǎng)絡(luò)算法與加速的新型處理器總稱，如中科院計算所/寒武紀公司出品的diannao系列。

RPU – Radio Processing Unit， 無線電處理器， Imagination Technologies 公司推出的集合集Wifi/藍牙/FM/處理器為單片的處理器。

TPU – Tensor Processing Unit 張量處理器， Google 公司推出的加速人工智能算法的專用處理器。目前一代TPU面向Inference，二代面向訓(xùn)練。

VPU – Vector Processing Unit 矢量處理器，Intel收購的Movidius公司推出的圖像處理與人工智能的專用芯片的加速計算核心。

WPU – Wearable Processing Unit， 可穿戴處理器，Ineda Systems公司推出的可穿戴片上系統(tǒng)產(chǎn)品，包含GPU/MIPS CPU等IP。

XPU – 百度與Xilinx公司在2017年Hotchips大會上發(fā)布的FPGA智能云加速，含256核。

ZPU – Zylin Processing Unit，由挪威Zylin 公司推出的一款32位開源處理器。
責(zé)編AJX