網絡巨擘谷歌（Google）日前指出，該公司的Tensor處理器（TPU）在機器學習的測試中，以數量級的效能優勢超越英特爾（Intel）的Xeon處理器和Nvidia的繪圖處理器（GPU）。在一份長達17頁的報告中，Google深入剖析其TPU和測試基準顯示比目前的商用芯片更快至少15倍的速度，并提供更高30倍的效能功耗比（P/W）。

　　去年五月，Google宣布其ASIC設計是為了加快各種應用在其數據中心服務器的推論作業。現在，該公司將在今年6月的一場計算機架構大會中，透過一篇論文首度公開對于此芯片及其效能的深入研究。

　　這份報告提供了有關加速器與Google多元神經網絡工作負載的深度觀察，并建議工程師在此快速成長的領域中投注更多的學習。

　　曾帶領超過70位工程師團隊設計TPU 的知名硬件工程師Norman P. Jouppi說：“我們希望聘請一些優秀的工程師，并讓他們了解我們正在進行高質量的工作，同時也讓云端客戶知道我們的實力。”

　　該計劃的其中一位負責人員是美國加州伯克利大學（U.C. Berkeley）退休教授David Patterson，他同時也是一位資深的處理器架構師，在日前一場硅谷的工程師聚會中介紹了這份報告。Google還在部落格中發布Jouppi所撰寫關于此芯片的文章。

　　如今Google的數據中心仍采用此芯片。不過，關于該芯片使用的范圍與未來計劃加強的部份，Jouppi并不愿透露任何細節。

　　這款40W功率的TPU是一款采用28納米工藝、70MHz頻率運算的芯片，專為加速Google TensorFlow 算法而設計。其主要的邏輯單元包含65，536個8位的乘積累加運算單元和24MB高速緩存，并提供每秒92兆次指令周期。

　　在2015年采用Google機器學習芯片而進行的測試中，相較于英特爾（Intel）的Haswell服務器處理器（CPU）和Nvidia的K80繪圖處理器（GPU），采用TPU時的運作速度提高了15到30倍，效能提高了30到80倍。該報告中指出：“TPU的相對增量效能功耗比為41到83——這就是我們為什么客制化ASIC的原因，它讓TPU比GPU高出25到29倍的的效能功耗比。”

　　2015年的測試使用了英特爾 22納米工藝的18核心Haswell E5-2699 v3 CPU，其頻率頻率（速度）為2.3GHz，熱設計功耗（TDP）為145W。Nvidia K80 GPU功耗為150W，頻率頻率最高到875MHz。

圖1：TPU（星形）在神經網絡推論作業的效能超越英特爾Haswell處理器（圓形），以及Nvidia K80（三角形） （來源：Google）

　　TPU內部揭密

　　在該報告中提到，TPU所達到的數量級效能優勢，很少有別的廠商能做到，也可能讓TPU成為特定領域架構的原型。預計接下來將會有許多追隨者，而使得標準更為提高。

　　事實上，TPU的目標不在于提高數據處理量，而是專注于達到7毫秒（ms）的延遲，使專用加速器發揮功效，因此，它舍棄了高吞吐量的多任務通用處理器所需的許多組件，而用于執行其他許多任務。

　　但此ASIC芯片在能耗比的表現上不及英特爾和Nvidia的芯片。在10%的負載狀況下，TPU的最大功率消耗為88%。相形之下，K80在10%負載下消耗66%的功率，而英特爾Haswell的最大功耗為56%。

　　Google解釋，這是由于僅15個月的設計時程相對較短，使得TPU無法加入許多節能方面的功能。

　　數據緩沖區約占TPU的37%，媒體訪問控制（MAC）組合占30%。雖然TPU比起Nvidia GPU的尺寸更小、功耗更低，但其上的MAC數量卻是K80的25倍，芯片上內存容量則為其3.5倍。

　　TPU搭載PCIe Gen3 x16總線，并提供256位的內部數據路徑。主機CPU將加速器視為浮點運算處理器，透過PCIe總線傳達指令。

圖2：大部份的TPU主要用于處理MAC數組，以及24MB高速緩存

　　TPU使用與GPU加速器相同的Tensorflow軟件，開發人員可維持核心驅動器的穩定，必要時調整使用者空間的驅動程序，以因應不斷改變的應用。

　　Google發現，持續增加的內存帶寬對于效能表現的影響最大。平均來說，加速頻率速度的效益不大，而當MAC擴增到512x512矩陣時，加快頻率速度的效能還將微幅下降。

　　該報告中指出，從2015年的測試以來，英特爾已經推出14納米CPU，Nvidia也推出16納米GPU了。然而，TPU也可能將其外部DDR3內存升級到像K80所使用的GDDR5內存。

　　報告中指出：“未來的CPU與GPU在執行推論時將會更快速。采用2015版GPU內存而重新設計的TPU將會提高兩倍到三倍的速度，而且比K80高出70倍、比Haswell更高200倍的效能功耗比。”

　　Google宣稱在英特爾CPU上執行8位運算相當辛苦。報告中提到：“我們原本只有一款CPU執行8位運算的結果，因為有效地使用其AVX2整數運算指令，效果提升了3.5倍。”

由于其采用數據處理量為導向的架構，即使是改良過的GPU要達到Google的 7nm延遲目標，仍然充滿挑戰。同時，“這款TPU仍有很大的改進空間，所以這不是一個容易達成的目標。”

? ? ?圖3：ASIC芯片支持PCIe Gen 3 x16總線，并搭載DDR3內存

　　開發人員掌握多元化信息

　　該報告中提到，研究人員受到熱門的ImageNet比賽吸引，已經變得過于投入卷積神經網絡（CNN）。現實世界的應用采用更廣泛的神經網絡類型，報告并強調，多層感知（MLP）占Google AI開發工作的61%。“雖然大部份的架構師一直在加速CNN設計，但這部份只占5%的工作負載。”

　　“雖然CNN可能很常見于邊緣設備，但卷積模型的數量還趕不上數據中心的多層感知（MLP）和長短期內存（LSTM）。我們希望架構師盡可能地加速MLP和LSTM設計，這種情況類似于當許多架構師專注于浮點運算效能時，大部份的主流工作負載仍由整數運算主導。”

　　Jouppi說：“我們已經開始與一些大學合作，擴大提供免費模式。”但他并未透露內容細節。

　　這篇報告回顧了二十多年來神經網絡的相關數據，包括其競爭對手——微軟（Microsoft）基于FPGA的Catapult計劃，加速了網絡作業。最初的25W Catapult在200MHz頻率上運作3，926個18位MAC，并且以200MHz 頻率速度執行5MB內存。Google表示，以Verilog語言設計的固件比起使用TensorFlow軟件來說效率更低。

圖4：TPU卡可插入服務器的SATA插槽上

　　TPU計劃于2013年開始，當時并以FPGA進行了試驗。該報告中提到：“我們舍棄FPGA，因為我們當時發現它和GPU相比，在效能上不具競爭力，而TPU比起GPU在相同速度或甚至更快的速度下，可以達到更低的功耗。”

　　盡管二十多年來，神經網絡終于在最近從商用市場起飛了。

　　Jouppi說：“我們所有人都被這蓬勃發展的景象嚇到了，當初并未預期到會有如此大的影響力。一直到五、六年以前，我都還一直抱持懷疑態度…而今訂單開始逐月增加中。”

　　相較于傳統途徑，深度神經網絡（DNN）已經讓語音識別的錯誤率降低了30%，這是二十年來最大的進步。這讓ImageNet影像辨識競賽中的錯誤率從2011年的26%降至3.5%。

　　該報告結論還提到，“神經網絡加速器存在的理由在于效能，而在其演進過程中，如何達到良好的直覺判斷，目前還為時過早。”