广告

广告

广告

广告

广告

广告

广告

广告

我的位置: 主页 > 红包文章 > 抢红包技巧 > 谷歌云TPU处事正式全面开放:「AlphaGo背后的芯片」进入商用化

谷歌云TPU处事正式全面开放:「AlphaGo背后的芯片」进入商用化

发布人:红包群 发时间:2018-02-13 04:39 热度:
原题目:谷歌云TPU处事正式全面开放:「AlphaGo背后的芯片」进入商用化 机器之心报道 机器之心

刚刚,谷歌云博客公布发表:谷歌云 TPU 机器学习加速器测试版已向外部用户开放,价格约莫为每云 TPU 每小时 6.50 美元,有抢红包的土豪群吗,而且数量有限。此举意味着这种曾撑持了著名 AI 围棋措施 AlphaGo 的强大芯片将很快成为各家科技公司开展人工智能业务的强大资源。

2016 年 5 月,谷歌向世人颁布了一款特另外机器学习专属芯片:张量措置惩罚惩罚器(Tensor Processing Unit,TPU),去年又推出了它的第二代产品(Cloud TPU)。这是一种被认为比 CPU 、甚至 GPU 越发高效的机器学习专用芯片。作为科技巨头的谷歌早已把这种高度定制化产品应用在了本身的处事器中,而本周一,谷歌公布发表其他公司顿时也将可以享受新型芯片带来的计算处事了。


虽然新一代 TPU 的适应性如何还有待不雅察看,但是较之于纯挚的机器学习任务加速的成果而言,TPU 确实颇具实力。据谷歌称,第一代 TPU 仅能够措置惩罚惩罚推理任务,而第二代 TPU 还可以用于机器学习模型的训练,这个机器学习过程中重要的一部分完全可在单块、强大的芯片长行。在 2017 年 4 月,谷歌曾通过一篇论文《In-Datacenter Performance Analysis of a Tensor Processing Unit》介绍了 TPU 研究的相关技术以及第二代芯片与其它类似硬件的性能对照功效(参见:谷歌颁布 TPU 研究论文,神经网络专用措置惩罚惩罚器是怎样炼成的?)。


TPU 可以辅佐谷歌的种种机器学习应用行快速预测,并使产品迅速对用户需求做出回应。谷歌称,TPU 已运行在每一次搜索中;TPU 撑持作为谷歌图像搜索(Google Image Search)、谷歌照片(Google Photo)和谷歌云视觉 API(Google Cloud Vision API)等产品的根本的精确视觉模型;TPU 也辅佐了谷歌神经翻译质量的提升;而其强大的计算能力也在 DeepMind AlphaGo 对阵李世乭的重要胜利中阐扬了感化——这是计算机初度在陈腐的围棋角逐中战胜人类世界冠军。


谷歌本周一的「Beta 测试」通告也宣示着这家现代科技企业正在转变本身的运营理念——它已开始涉及人工智能专属芯片的解决方案,这是一个包罗数十家创业公司,以及英特尔、高通和英伟达这样的传统硬件厂商的重要市场。跟着时代的成长,谷歌、亚马逊和微软已不再是纯粹的互联网企业,它们都已或多或少地开始饰演起硬件制造者的角色。


在此之前,谷歌其实也并不是 TPU 的独一使用者,美国出行处事公司 Lyft 在去年底开始参预了谷歌新型芯片的测试。Lyft 但愿通过使用 TPU 加速自动驾驶汽车系统的开发速度:TPU 在计算机视觉模型的训练速度上具有优势,可将原先耗时数日的任务缩短至几小时内完成。


谷歌在其云平台博客上公布发表了 TPU 处事开放的动静:


通过谷歌云平台(GCP)供给的 Cloud TPU beta 版自 2018 年 2 月 12 日起可用,其旨在辅佐机器学习专家更快地训练和运行 ML 模型。

Cloud TPU 是谷歌设计的一种硬件加速器,旨在优化以加速和扩大使用 TensorFlow 编程的机器学习事情负载。Cloud TPU 使用四个定制化 ASIC 构建,单个 Cloud TPU 的计算能力到达 180 万亿次浮点运算,具备 64 GB 的高带宽内存。这些板卡可单独使用也可通过超快的专门网络联合使用以构建数千万亿次级另外机器学习超级计算机,我们称之为「TPU pod」。本年稍后,我们将在 GCP 上供给更大型的超级计算机。


我们设计 Cloud TPU 的目的是为 TensorFlow 事情负载供给差异化的性能,使 ML 工程师和研究者实现更快迭代。例如:

 

你们无需吃力期待调理共享计算机集群,通过谷歌计算引擎 VM,就可以独立获取交互式的网络联结 Cloud TPU。

无需花费数日或数周期待商用级机器学习模型,你可以在一系列 Cloud TPU 上训练同样模型的差别变体,而且第二天就可以将准确率最高的训练模型部署到出产过程。

使用单个 Cloud TPU,并遵循该教程(https://cloud.google.com/tpu/docs/tutorials/resnet),你可以在不到一天的时间内,训练 ResNet-50 使其在 ImageNet 基准挑战上到达期望的准确率。


让机器学习模型训练更容易


分享给朋友: