本文來自合作媒體 Mashdigi，INSIDE 授權轉載
Google 在去年推出第二代客製化 TPU (Tensor Processing Unit) 處理器，並且應用在 TensorFlow Research Cloud 服務且開放申請使用之餘，事實上並未直接提供租用 TPU 運算資源。而在稍早聲明裡，Google 表示將以少量形式向 Google Cloud 雲端服務用戶提供 TPU 運算資源租用服務，並且以每小時 6.50 美元價格提供使用。
相比多數深度學習加速器是以多組繪圖卡或多組處理器建構而成，Google 從 2016 年推出第一款客製化 TPU 處理器，到去年推出的第二代規格，幾乎去除深度學習等應用非必要的 I/O 埠等設計，強調加入更高邏輯推理效率與深度學習應用，同時件構成的每組 Cloud TPU 約可發揮 180TFLOPS 運算效能表現。
Google 表示，相比採用 32 張現行最好的商用 GPU 構成加速學習模式仍須花費一天左右訓練時間，透過第二代 TPU 設計僅需體積僅為八分之一大小的單一機架叢集 (Pod) 以一個下午時間即可完成訓練。
而在去年宣布推出第二代 TPU 設計時，Google 也同步宣布推出以 1000 組 Cloud TPU 運算叢集構成的 TensorFlow Research Cloud 服務，並且將以免費形式開放各類深度學習研究申請使用。而在稍早對外聲明終，才確定將以少量形式向 Google Cloud 雲端服務用戶提供 TPU 運算資源租用服務，並且以每小時 6.50 美元價格提供使用，讓用戶端能依照自身需求藉由 TPU 運算能力進行快速推演、學習。
對外開放租用 TPU 運算資源，意味 Google 將使雲端服務用戶能有更多選擇，不一定僅能仰賴 NVIDIA、AMD 或 Intel 等廠商提供顯示卡與處理器，同時整體建置成本也能相對降低許多，同時獲得更快的運算效能。
不過，從先前不少對於深度學習應用模式，導入 TPU 的運算效率雖然可以很快，但不見得能帶來最大優勢，最主要還是看學習模型與實際應用，並不見得透過繪圖卡、處理器進行運算的學習模式就不好，畢竟以 TPU 的設計來看，僅能以 TensorFlow 學習模型進行訓練。
from INSIDE 硬塞的網路趨勢觀察 http://ift.tt/2BY607K
沒有留言:
張貼留言