你分得清吗，什么是CPU，GPU，TPU，DPU，NPU，B

　　近几年来，深度学习大火，各类芯片也如雨后春笋般出现，像什么GPU，TPU，DPU，NPU，BPU
　　你分得清吗，下面来小白一下
　　先来看看这几个词的英文全称：
　　CPU全称：CentralProcessingUnit，中央处理器；
　　GPU全称：GraphicsProcessingUnit，图像处理器；
　　TPU全称：TensorProcessingUnit，张量处理器；
　　DPU全称：DeeplearningProcessingUnit，深度学习处理器；
　　NPU全称：NeuralnetworkProcessingUnit，神经网络处理器；
　　BPU全称：BrainProcessingUnit，大脑处理器。
　　1、CPU
　　CPU的全称为CentralProcessingUnit（中央处理器），它其实就是机器的“大脑”，主要包括运算器（ALU，ArithmeticandLogicUnit）、控制单元（CU，ControlUnit）、寄存器（Register）、高速缓存器（Cache）和它们之间通讯的数据、控制及状态的总线。它是由计算单元、控制单元和存储单元三大部分组成。如下图所示
　　2、GPU
　　为了解决CPU在大规模并行运算中遇到的困难、提升速度，GPU应运而生，采用数量众多的计算单元和超长的流水线。
　　GPU（GraphicsProcessingUnit，图形处理器），GPU最初用在个人电脑、工作站、游戏机和一些移动设备上运行绘图运算工作的微处理器。如下图所示：
　　一提到GPU，就容易想到“并行计算”。并行计算（ParallelComputing）是指同时使用多种计算资源解决计算问题的过程，提高计算机系统计算速度和处理能力的一种有效手段。并行计算的基本思想是使用多个处理器来共同求解同一问题，将被求解的问题分解成若干个部分，各部分均由一个独立的处理机来并行计算。
　　那么为什么GPU特别擅长处理图像数据呢？
　　这是因为图像上的每一个像素点都有被处理的需要，而且每个像素点处理的过程和方式都十分相似，因此可以并行计算，所以GPU在图像处理方面的能力就非常强。
　　下图是CPU与GPU架构的对比图：
　　3、TPU
　　TPU是Google在2016年5月提出来的一个针对Tensorflow平台的可编程AI加速器。
　　TPU可提供高吞吐量的低精度计算，用于模型的前向运算而不是模型训练，且能效（TOPSw）更高。据报告，TPU与同期的CPU和GPU相比，性能可提升1530倍，以及3080倍的效率（性能瓦特）提升。
　　那么，TPU是怎么做到如此之快呢？
　　（1）深度学习的定制化研发：TPU是谷歌专门为加速深层神经网络运算能力而研发的一款芯片，其实也是一款ASIC（专用集成电路）。
　　（2）大规模片上内存：TPU在芯片上使用了高达24MB的局部内存，6MB的累加器内存以及用于与主控处理器进行对接的内存。
　　（3）低精度（8bit）计算：TPU的高性能还来源于对于低运算精度的容忍，TPU采用了8bit的低精度运算，也就是说每一步操作TPU将会需要更少的晶体管。
　　下图是TPU各模块的是框架图：
　　TPU各模块的框图。主要计算部分是右上方的黄色矩阵乘法单元。其输入是蓝色的权重FIFO和蓝色的统一缓存（UnifiedBuffer（UB））；输出是蓝色的累加器（Accumulators（Acc））。黄色的激活（Activation）单元在Acc中执行流向UB的非线性函数。
　　4、DPU
　　DPU深度学习处理器最早由国内深鉴科技提出，基于Xilinx可重构特性的FPGA芯片，设计专用的深度学习处理单元，而且抽象出定制化的指令集和编译器，实现了快速的开发与产品迭代。
　　5、NPU
　　NPU（神经网络处理器），是在电路层中模拟人类神经元和突触，并且用深度学习指令集直接处理大规模的神经元和突触，一条指令完成一组神经元的处理。NPU的典型代表有国内的寒武纪芯片和IBM的TrueNorth。
　　6、BPU
　　BPU（大脑处理器），是由地平线科技提出的嵌入式人工智能处理器架构。传统CPU芯片是做所有事情，所以一般采用串行结构。而BPU主要是用来支撑深度神经网络，比如图像、语音、文字、控制等方面的任务，而不是去做所有的事情。
　　更多内容