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：Central Processing Unit, 中央处理器；
GPU全称：Graphics Processing Unit, 图像处理器；
TPU全称：Tensor Processing Unit, 张量处理器；
DPU全称：Deep learning Processing Unit, 深度学习处理器；
NPU全称：Neural network Processing Unit, 神经网络处理器;
BPU全称：Brain Processing Unit, 大脑处理器。
1、CPU
CPU的全称为 Central Processing Unit（中央处理器），它其实就是机器的“大脑”， 主要包括运算器（ALU, Arithmetic and Logic Unit）、控制单元（CU, Control Unit）、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（Graphics Processing Unit，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(Parallel Computing)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（TOPS/w）更高。据报告，TPU与同期的CPU和GPU相比，性能可提升15-30倍，以及30-80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 (8-bit) 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 8-bit 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（Unified Buffer（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
