别了美国! 华为突然宣布!
我的图书馆
别了美国! 华为突然宣布!
一这是让国人意气难平的一刻！刚刚，沉默已久的华为重磅宣布！据福布斯杂志报道，华为在刚刚结束的华为年度分析师峰会上表示：美国市场或不再是其全球战略的一部分，它也对美国市场不再感兴趣。福布斯还预测：到今年年底，华为或将关闭其在美国的业务。然而，华为的研发和采购(供应链)活动可能会继续增长，因为它的大部分与美国市场活动无关。“有些事情我们无法改变，所以最好不要把它放在心上”，华为的轮值首席执行官徐直军说。“借助这种方式，我们将有更多的精力和时间来更好地服务我们的客户，并通过创造更好的产品来满足客户需求。在某些情况下，只要放手，我们会感到轻松许多。”这是一份令人心疼的告白，虽无奈，但也豁达。有舍才有得。有时，放手也是一种智慧！二面壁十年图破壁，难酬蹈海亦英雄。中国好不容易有个华为，却频繁遭遇美国打击。为了进入美国市场，华为已经付出了多年的努力！然而，有多少努力，就有多少伤害！此前，美国官员多次呼吁禁止华为和中兴的产品，宣称它们是美国国家安全面临的重大威胁。更有甚者，最近美国国会在报告中，还公开点名中兴华为联想，欲将莫须有的商业间谍罪名，扣在他们头上。其实，明眼人一眼就看明白了，什么商业间谍，扯淡！华为也叫过屈、喊过冤，但是，无异于与虎谋皮！余承东怒了！他说了一句让国人倍感心酸的大实话：“中国对美国那么开放，而我们在美国却被害成这样”！这一刻，我们为华为感到难过：匹夫无罪，怀璧其罪。不过是华为手握5G的技术领先优势，不过是华为拥有自己的海思麒麟芯片，就招来了美国人的如此刁难！这一刻，我们又为华为感到骄傲：美国的行为，恰好说明了他们内心的心虚与恐惧，他们明显感受到了来自中国科技的威胁。对不起，特朗普先生！是华为的强势崛起，中国的强势崛起和中国互联网科技企业的强势崛起，让您担心了。对不起，特朗普先生！您这个心，恐怕得一直操下去了。有13亿中国人的支持，有18万员工的忘我努力，华为必将越走越好，让中国的旗帜高高飘扬在世界通讯舞台上！三是的，这次，美国已经彻底扔掉了遮羞布，变成了一个类似镇关西一般，不讲道义、欺行霸市的蛮横商人。就拿对等原则来说，试想，中国市场对苹果手机是多么开放？！我们可曾为苹果设置过一点障碍？！反观华为，努力了这么多年，花了那么多钱，美国政府却始终以莫须有的罪名，不允许其进入美国市场！这不是霸权主义是什么，这不是唯我独尊是什么，这不是强盗逻辑是什么？！别人在打压我们企业，作为中国一份子，我们要更加支持自己的企业！牛哥有时候觉得特别怪异：在国内有同类可替代而且更加物美价廉产品的情况下，中国消费者，你为什么不买国货？要知道，虽然说现在全球化时代，生产是你中有我、我中有你，但是，并不等于没有国货这个概念。国货永不过时，买国货，是我们爱国情感最直接的表达！比如，同样在三星、苹果手机中选择，牛哥一定会选择购买华为、中兴等国产手机！因为，我们企业走过太艰难的路，他们优秀的背后，是太多的磨难。得道多助，失道寡助。今天美国的阻挠，不值得畏惧。因为每一个中国企业，乃至每一个中国人的心里，都在喊：有朝一日凤翔天，我要天下尽我鸣！这一切一切的背后都要有实力做后盾，华为已经证明了自己。但一个华为还远远够。下面是中国芯片设计十强，希望有一天能变成世界十强。芯片设计公司中国前十强依次为华为海思、清华紫光展锐、中兴微电子、华大半导体、智芯微电子、汇顶科技、士兰微、大唐半导体、敦泰科技和中星微电子。重要公司：第一名：海思各位用的华为手机里面就有大量的海思处理器和海思基带芯片，另外买的智能电视，安防系统也有海思的芯片，海思在长时间内将是中国最大的芯片设计公司，未来将随着华为集团的增长而上升。世界第一名高通，2016年营收154亿美元，是海思的3.5倍。第二名：紫光展锐展讯，锐迪科合并之后成立，目前是三星手机处理器和基带芯片除自家产品之外的最大供应商，你买的三星手机，主要是中低端系列，里面的芯片是紫光展锐的。第三名：中兴微电子主要是自家的通信设备用的部分芯片，手机芯片也还是外购。第四名：华大半导体是中国电子信息产业集团有限公司(CEC)整合旗下集成电路企业而组建的集团公司。在智能卡及安全芯片、智能卡应用、模拟电路、新型显示等领域占有较大的份额。目前华大半导体旗下已经有三个上市企业，包括A股上海贝岭和港股公司中电控股、晶门科技。第五名：智芯微电子是国网信息产业集团全资子公司，涉及芯片传感、通信控制、用电节能三大业务方向，致力于成为以智能芯片为核心的高端产品、技术、服务和整体解决方案提供商。第六名：汇顶科技是一家上市公司，该公司在指纹识别芯片领域已经做到了世界第二，在全球范围内仅次于给苹果提供指纹识别芯片的AuthenTec。第七名：士兰微电子LED照明驱动IC是其主要业务收入之一，还给家电企业提供变频电机控制芯片。第八名：大唐半导体以智能终端芯片、智能安全芯片、汽车电子芯片为核心的产业布局。第九名：敦泰科技于2005年在美国成立，致力于人机界面解决方案的研发，为移动电子设备提供最具竞争力的电容屏触控芯片、TFT LCD显示驱动芯片、触控显示整合单芯片(支持内嵌式面板的IDC)、指纹识别芯片及压力触控芯片等。第十名：中星微电子占领全球计算机图像输入芯片60%以上的市场份额。2005年，中星微电子在美国纳斯达克证券市场成功上市， 2016年初，中星微推出了全球首款集成了神经网络处理器(NPU)的SVAC视频编解码SoC，使得智能分析结果可以与视频数据同时编码，形成结构化的视频码流。该技术被广泛应用于视频监控摄像头，开启了安防监控智能化的新时代。重点上市公司有：紫光国芯、兆易创新(存储器)、汇顶科技、士兰微(IDM)、大唐电信、全志科技、中颖电子(家电MCU、锂电等)、北京君正、艾派克、富瀚微等。
喜欢该文的人也喜欢伟大还是荒谬？华为带来全球首款手机AI芯片：NPU是噱头吗？
9月2日晚，华为终于带来了新一代旗舰处理器麒麟970。作为少数能自主研发处理器的手机厂商，华为每代的处理器产品发布都会受到不少的关注。目前麒麟的旗舰处理器也完全可以在高端市场上和高通、三星一较高低。
坦率地说，此次麒麟970在架构上和上代960相比没有变动，依然采用了4颗A73核心，而没有使用ARM最新的A75，算是一个遗憾。当然，从16nm到10nm是一个不小的进步，对功耗有极大的帮助。
不过，这次麒麟970发布会上最引人注目的应该是那颗新加入的NPU。对CPU、GPU和协处理器等名词，我们已经很熟悉了，但NPU可能还是第一次听说。目前，麒麟970应该是唯一一款搭载了NPU的手机处理器。今天我们就来详细剖析一下这款备受关注的NPU。 麒麟970上的NPU是什么？
NPU的英文全称为“Neural-network Processing Unit”，即神经网络处理单元。与之对应的，CPU是中央处理器、GPU是图形处理器。“神经网络”听起来可能有些晦涩难懂，但换成“人工智能”“AI”似乎就熟悉多了。
简单来说，NPU就是手机上专门处理人工智能深度学习的硬件。看到这里，不少人可能会想到高通骁龙820上首次搭载的NPE。的确，NPE和NPU有类似之处，它的英文全称为“Neural Processing Engine”，即神经处理引擎。NPE和NPU都能处理类似的任务，但NPE是软件层面，而NPU是硬件层面。如果拿电脑举例，显卡是其图像处理器，是硬件；而寒霜、虚幻、EGO等都是游戏引擎，仍属于软件。当然高通的NPE还是要借助CPU和GPU完成的。
另外又一点要说明的是，麒麟970是首款搭载NPU的处理器，但这款NPU的研发者其实是国内的寒武纪公司。这家公司目前主攻智能处理器芯片，给华为公司的产品为寒武纪-1A NPU。
这块NPU有什么用？
降低功耗，减轻CPU、GPU压力
在高清视频出现初期，很多显卡还没有针对它的硬解功能，只能依靠CPU加解码器软解。因此那时看一个本地高清视频，CPU的占有率经常飙到90%，无法进行其他工作。而现在几乎所有主流CPU集成的核显都能轻松应对一般的高清视频，CPU的负载很低。
NPU的作用与此类似，它能将和智能深度学习相关的工作接管过来，缓解CPU和GPU的压力，从而降低功耗，这对手机来说至关重要。根据华为官方的说法，在NPU的帮助下，手机识别出1000张照片仅需消耗0.19%的电量。
本地端完成部分云AI的工作
目前手机AI的工作基本都是将数据和请求上传到云端服务器，完成后在传输给用户，过程略为繁琐。而有了NPU后，手机就能在本地完成一些原来在云端才能做的工作。过程更为简洁的NPU在处理一些简单任务时会比云模式更为高效。 NPU意义非凡，但实际效果仍待验证
此次麒麟970上首次搭载了NPU，意义非凡，尤其对华为、寒武纪这两个国产品牌来说。或许，随着人工智能技术的发展，在未来，NPU在手机SOC中会成为和CPU、GPU一样标配。
但是，就目前来看，NPU的实际意义依然有待验证。首先，目前大部分手机上的人工智能技术的实现方式仍然是通过云端服务器完成。例如最近发布的MIUI 9上的照片查找功能，就是将用户的图片上传到云端，识别完成后再把结果发送给手机。云端AI流行的原因一个是现在的网络条件下可以在短时间内完成这个工作，另一个原因是手机端的芯片无法胜任如此繁重的任务。
尽管，麒麟970上的NPU的算力相比手机CPU、GPU要强很多，但和云端服务器仍然无法相比，它能独立完成的工作非常有限。而且，云服务器的大数据优势，是本地端的NPU所不具有的。从安全和隐私的角度来说，华为也绝不可能把大数据发送给每个用户。
另外，NPU增加了手机的成本，占据了更多的空间。在寸土寸金的手机中，NPU必然要挤占掉SOC的一部分空间，成本也必将转嫁到产品售价中，而用户是否愿意为它买单仍是一个问题。
还有一点，目前麒麟处理器只用在华为手机上，尽管华为开放了开发者平台，但实际的号召力仍待验证。相比之下，苹果、高通的方案对开发者更有吸引力，很多时候，生态圈比技术优势更为重要。
当然以上这些推测和分析都只是小雷（微信ID：leitech）的一家之言，麒麟970上的NPU究竟是划时代的革命性产品，还是顺应时下人工智能热度的营销噱头？伟大到荒谬只有一步之遥，这一切都将在不久后发布的华为Mate 10上得到验证。
那么，对NPU的前景，你看好吗？
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
致力于挖掘、钻研全球黑科技、创意、有趣、实用的产品，用科技赋予生活更多的精致
年货、新年礼物、情人节礼物都准备好了吗？专注挖掘全球好物的所长已经帮你选好了！
今日搜狐热点(ERROR:15) & 访客不能直接访问通俗易懂告诉你CPU/GPU/TPU/NPU...XPU都是些什么鬼？【附把妹... - FPGA&硬件语言专区 - OpenHW技术社区
后使用快捷导航没有帐号？
查看: 6368|回复: 0
通俗易懂告诉你CPU/GPU/TPU/NPU...XPU都是些什么鬼？【附把妹...
主题帖子积分
QQ浏览器截图_40_43001FC51BDF4cb11F2922.jpg (49.64 KB, 下载次数: 3)
22:42 上传
“亲爱的，听说HW最新发布了Mate 10，里面有个叫什么NPU的，听起来很厉害，这是什么东西啊？”
“呃……就是人工智能处理器吧？”
“什么是人工智能处理器？和CPU有啥区别？和GPU有啥区别？不都带个PU吗？”
“呃……”
现在这年代，技术日新月异，物联网、人工智能、深度学习等概念遍地开花，各类芯片名词GPU, TPU, NPU,DPU,层出不穷......它们都是什么鬼？与CPU又是什么关系？搞不懂这些知识，买手机的时候都没法在妹子面前装B了呢。
所以，今天我们就来通俗易懂的科普一下这些所谓的“XPU”！
CPU( Central Processing Unit, 中央处理器)就是机器的“大脑”，也是布局谋略、发号施令、控制行动的“总司令官”。
CPU的结构主要包括运算器（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。
简单来说就是：计算单元、控制单元和存储单元，架构如下图所示：
QQ浏览器截图_49_34E9C2C3CBE5D49E2E3F.jpg (19.27 KB, 下载次数: 6)
22:42 上传
图：CPU微架构示意图
什么？架构记不住？来，我们换种表示方法：
QQ浏览器截图_56_FD47dc97F1F.jpg (29.82 KB, 下载次数: 5)
22:42 上传
图：CPU微架构示意图（改）
嗯，大概就是这个意思。
从字面上我们也很好理解，计算单元主要执行算术运算、移位等操作以及地址运算和转换；存储单元主要用于保存运算中产生的数据以及指令等；控制单元则对指令译码，并且发出为完成每条指令所要执行的各个操作的控制信号。
所以一条指令在CPU中执行的过程是这样的：读取到指令后，通过指令总线送到控制器（黄色区域）中进行译码，并发出相应的操作控制信号；然后运算器（绿色区域）按照操作指令对数据进行计算，并通过数据总线将得到的数据存入数据缓存器（大块橙色区域）。过程如下图所示：
QQ浏览器截图_10_7C6DE7B44CDF33B0C902E7F.jpg (37.61 KB, 下载次数: 1)
22:42 上传
图：CPU执行指令图
是不是有点儿复杂？没关系，这张图完全不用记住，我们只需要知道，CPU遵循的是冯诺依曼架构，其核心就是：存储程序，顺序执行。
讲到这里，有没有看出问题，没错——在这个结构图中，负责计算的绿色区域占的面积似乎太小了，而橙色区域的缓存Cache和黄色区域的控制单元占据了大量空间。
高中化学有句老生常谈的话叫：结构决定性质，放在这里也非常适用。
因为CPU的架构中需要大量的空间去放置存储单元（橙色部分）和控制单元（黄色部分），相比之下计算单元（绿色部分）只占据了很小的一部分，所以它在大规模并行计算能力上极受限制，而更擅长于逻辑控制。
另外，因为遵循冯诺依曼架构（存储程序，顺序执行），CPU就像是个一板一眼的管家，人们吩咐的事情它总是一步一步来做。但是随着人们对更大规模与更快处理速度的需求的增加，这位管家渐渐变得有些力不从心。
于是，大家就想，能不能把多个处理器放在同一块芯片上，让它们一起来做事，这样效率不就提高了吗？
没错，GPU便由此诞生了。
在正式讲解GPU之前，我们先来讲讲上文中提到的一个概念——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，是提高计算机系统计算速度和处理能力的一种有效手段。它的基本思想是用多个处理器来共同求解同一问题，即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。
并行计算可分为时间上的并行和空间上的并行。
时间上的并行是指流水线技术，比如说工厂生产食品的时候分为四步：清洗-消毒-切割-包装。
如果不采用流水线，一个食品完成上述四个步骤后，下一个食品才进行处理，耗时且影响效率。但是采用流水线技术，就可以同时处理四个食品。这就是并行算法中的时间并行，在同一时间启动两个或两个以上的操作，大大提高计算性能。
QQ浏览器截图_19_B2C3B61B42E14e9c90B55F.jpg (42.41 KB, 下载次数: 1)
22:42 上传
图：流水线示意图
空间上的并行是指多个处理机并发的执行计算，即通过网络将两个以上的处理机连接起来，达到同时计算同一个任务的不同部分，或者单个处理机无法解决的大型问题。
比如小李准备在植树节种三棵树，如果小李1个人需要6个小时才能完成任务，植树节当天他叫来了好朋友小红、小王，三个人同时开始挖坑植树，2个小时后每个人都完成了一颗植树任务，这就是并行算法中的空间并行，将一个大任务分割成多个相同的子任务，来加快问题解决速度。
所以说，如果让CPU来执行这个种树任务的话，它就会一棵一棵的种，花上6个小时的时间，但是让GPU来种树，就相当于好几个人同时在种。
GPU全称为Graphics Processing Unit，中文为图形处理器，就如它的名字一样，GPU最初是用在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上运行绘图运算工作的微处理器。
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，也就成了GPU的天然温床。
GPU简单架构如下图所示：
QQ浏览器截图_26_4FFABCC9A14C4fd9A42EE.jpg (40.21 KB, 下载次数: 1)
22:42 上传
图：GPU微架构示意图
从架构图我们就能很明显的看出，GPU的构成相对简单，有数量众多的计算单元和超长的流水线，特别适合处理大量的类型统一的数据。
但GPU无法单独工作，必须由CPU进行控制调用才能工作。CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要大量的处理类型统一的数据时，则可调用GPU进行并行计算。
注：GPU中有很多的运算器ALU和很少的缓存cache，缓存的目的不是保存后面需要访问的数据的，这点和CPU不同，而是为线程thread提高服务的。如果有很多线程需要访问同一个相同的数据，缓存会合并这些访问，然后再去访问dram。
再把CPU和GPU两者放在一张图上看下对比，就非常一目了然了。
QQ浏览器截图_34_4fc592CBBE1.jpg (25.16 KB, 下载次数: 1)
22:42 上传
GPU的工作大部分都计算量大，但没什么技术含量，而且要重复很多很多次。
借用知乎上某大神的说法，就像你有个工作需要计算几亿次一百以内加减乘除一样，最好的办法就是雇上几十个小学生一起算，一人算一部分，反正这些计算也没什么技术含量，纯粹体力活而已；而CPU就像老教授，积分微分都会算，就是工资高，一个老教授资顶二十个小学生，你要是富士康你雇哪个？
GPU就是用很多简单的计算单元去完成大量的计算任务，纯粹的人海战术。这种策略基于一个前提，就是小学生A和小学生B的工作没有什么依赖性，是互相独立的。
但有一点需要强调，虽然GPU是为了图像处理而生的，但是我们通过前面的介绍可以发现，它在结构上并没有专门为图像服务的部件，只是对CPU的结构进行了优化与调整，所以现在GPU不仅可以在图像处理领域大显身手，它还被用来科学计算、密码破解、数值分析，海量数据处理（排序，Map-Reduce等），金融分析等需要大规模并行计算的领域。
所以GPU也可以认为是一种较通用的芯片。
按照上文所述，CPU和GPU都是较为通用的芯片，但是有句老话说得好：万能工具的效率永远比不上专用工具。
随着人们的计算需求越来越专业化，人们希望有芯片可以更加符合自己的专业需求，这时，便产生了ASIC（专用集成电路）的概念。
ASIC是指依产品需求不同而定制化的特殊规格集成电路，由特定使用者要求和特定电子系统的需要而设计、制造。当然这概念不用记，简单来说就是定制化芯片。
因为ASIC很“专一”，只做一件事，所以它就会比CPU、GPU等能做很多件事的芯片在某件事上做的更好，实现更高的处理速度和更低的能耗。但相应的，ASIC的生产成本也非常高。
而TPU（Tensor Processing Unit, 张量处理器）就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。
QQ浏览器截图_44_20D550E32E324ef297C899AA0ACC0A33.jpg (50.39 KB, 下载次数: 1)
22:42 上传
图：谷歌第二代TPU
一般公司是很难承担为深度学习开发专门ASIC芯片的成本和风险的，但谷歌是谁，人家会差钱吗？
QQ浏览器截图_49_CB84af09F4CEDD.jpg (21.4 KB, 下载次数: 1)
22:42 上传
咳咳，开玩笑。更重要的原因是谷歌提供的很多服务，包括谷歌图像搜索、谷歌照片、谷歌云视觉API、谷歌翻译等产品和服务都需要用到深度神经网络。基于谷歌自身庞大的体量，开发一种专门的芯片开始具备规模化应用（大量分摊研发成本）的可能。
如此看来，TPU登上历史舞台也顺理成章了。
原来很多的机器学习以及图像处理算法大部分都跑在GPU与FPGA（半定制化芯片）上面，但这两种芯片都还是一种通用性芯片，所以在效能与功耗上还是不能更紧密的适配机器学习算法，而且Google一直坚信伟大的软件将在伟大的硬件的帮助下更加大放异彩，所以Google便想，我们可不可以做出一款专用机机器学习算法的专用芯片，TPU便诞生了。
据称，TPU与同期的CPU和GPU相比，可以提供15-30倍的性能提升，以及30-80倍的效率（性能/瓦特）提升。初代的TPU只能做推理，要依靠Google云来实时收集数据并产生结果，而训练过程还需要额外的资源；而第二代TPU既可以用于训练神经网络，又可以用于推理。
看到这里你可能会问了，为什么TPU会在性能上这么牛逼呢？
嗯，谷歌写了好几篇论文和博文来说明这一原因，所以仅在这里抛砖引玉一下。
QQ浏览器截图_55_2E9ad89ED71A46CAB1B0E.jpg (49.59 KB, 下载次数: 1)
22:42 上传
图：TPU 各模块的框图
QQ浏览器截图_01_ADC11D570E334bba881B2A.jpg (60.67 KB, 下载次数: 1)
22:42 上传
图：TPU芯片布局图
如上图所示，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，总共占芯片面积的37%（图中蓝色部分）。
这表示谷歌充分意识到了片外内存访问是GPU能效比低的罪魁祸首，因此不惜成本的在芯片上放了巨大的内存。相比之下，英伟达同时期的K80只有8MB的片上内存，因此需要不断地去访问片外DRAM。
另外，TPU的高性能还来源于对于低运算精度的容忍。研究结果表明，低精度运算带来的算法准确率损失很小，但是在硬件实现上却可以带来巨大的便利，包括功耗更低、速度更快、占芯片面积更小的运算单元、更小的内存带宽需求等...TPU采用了8比特的低精度运算。
其它更多的信息可以去翻翻谷歌的论文。
到目前为止，TPU其实已经干了很多事情了，例如机器学习人工智能系统RankBrain，它是用来帮助Google处理搜索结果并为用户提供更加相关搜索结果的；还有街景Street View，用来提高地图与导航的准确性的；当然还有下围棋的计算机程序AlphaGo！
讲到这里，相信大家对这些所谓的“XPU”的套路已经有了一定了解，我们接着来。
所谓NPU（Neural network Processing Unit）， 即神经网络处理器。顾名思义，这家伙是想用电路模拟人类的神经元和突触结构啊！
怎么模仿？那就得先来看看人类的神经结构——生物的神经网络由若干人工神经元结点互联而成，神经元之间通过突触两两连接，突触记录了神经元之间的联系。
QQ浏览器截图_10_EC0E3AD076DA471aB35C478DF8F8EF8C.jpg (77.46 KB, 下载次数: 1)
22:42 上传
同志们，高中生物还记得吗？
如果想用电路模仿人类的神经元，就得把每个神经元抽象为一个激励函数，该函数的输入由与其相连的神经元的输出以及连接神经元的突触共同决定。
为了表达特定的知识，使用者通常需要（通过某些特定的算法）调整人工神经网络中突触的取值、网络的拓扑结构等。该过程称为“学习”。
在学习之后，人工神经网络可通过习得的知识来解决特定的问题。
这时不知道大家有没有发现问题——原来，由于深度学习的基本操作是神经元和突触的处理，而传统的处理器指令集（包括x86和ARM等）是为了进行通用计算发展起来的，其基本操作为算术操作（加减乘除）和逻辑操作（与或非），往往需要数百甚至上千条指令才能完成一个神经元的处理，深度学习的处理效率不高。
这时就必须另辟蹊径——突破经典的冯·诺伊曼结构！
神经网络中存储和处理是一体化的，都是通过突触权重来体现。 而冯·诺伊曼结构中，存储和处理是分离的，分别由存储器和运算器来实现，二者之间存在巨大的差异。当用现有的基于冯·诺伊曼结构的经典计算机（如X86处理器和英伟达GPU）来跑神经网络应用时，就不可避免地受到存储和处理分离式结构的制约，因而影响效率。这也就是专门针对人工智能的专业芯片能够对传统芯片有一定先天优势的原因之一。
NPU的典型代表有国内的寒武纪芯片和IBM的TrueNorth。以中国的寒武纪为例，DianNaoYu指令直接面对大规模神经元和突触的处理，一条指令即可完成一组神经元的处理，并对神经元和突触数据在芯片上的传输提供了一系列专门的支持。
用数字来说话，CPU、GPU与NPU相比，会有百倍以上的性能或能耗比差距——以寒武纪团队过去和Inria联合发表的DianNao论文为例——DianNao为单核处理器，主频为0.98GHz，峰值性能达每秒4520亿次神经网络基本运算，65nm工艺下功耗为0.485W，面积3.02平方毫米mm。
QQ浏览器截图_18_2E678AEC97.jpg (33.55 KB, 下载次数: 1)
22:42 上传
文章开头所说的mate10中所用的麒麟970芯片，就集成了寒武纪的NPU，所以才可以实现所谓的照片优化功能，以及保证你的手机用了很长时间后还能不卡（当然也得真正用了才能知道有没有宣传的这么好）。
PS，中星微电子的“星光智能一号”虽说对外号称是NPU，但其实只是DSP，仅支持网络正向运算，无法支持神经网络训练。
在以上这些知识的基础上，我们再来理解BPU和DPU就更容易了。
BPU（Brain Processing Unit，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。第一代是高斯架构，第二代是伯努利架构，第三代是贝叶斯架构。目前地平线已经设计出了第一代高斯架构，并与英特尔在2017年CES展会上联合推出了ADAS系统（高级驾驶辅助系统）。
DPU（Deep learning Processing Unit, 即深度学习处理器）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（可基于已有的逻辑单元，设计并行高效的乘法器及逻辑电路，属于IP范畴），且抽象出定制化的指令集和编译器（而非使用OpenCL），从而实现快速的开发与产品迭代。事实上，深鉴提出的DPU属于半定制化的FPGA。
你以为到这里就完了吗？
不，据说每过18天，集成电路领域就会多出一个XPU，直到26个字母被用完。
这被戏称为AI时代的XPU版摩尔定律。
据不完全统计，已经被用掉的有：
APU -- Accelerated Processing Unit, 加速处理器，AMD公司推出加速图像处理芯片产品。
BPU -- Brain Processing Unit, 地平线公司主导的嵌入式处理器架构。
CPU -- Central Processing Unit 中央处理器， 目前PC core的主流产品。
DPU -- Deep learning Processing Unit, 深度学习处理器，最早由国内深鉴科技提出；另说有Dataflow Processing Unit 数据流处理器， Wave Computing 公司提出的AI架构；Data storage Processing Unit，深圳大普微的智能固态硬盘处理器。
FPU -- Floating Processing Unit 浮点计算单元，通用处理器中的浮点运算模块。
GPU -- Graphics Processing Unit, 图形处理器，采用多线程SIMD架构，为图形处理而生。
HPU -- Holographics Processing Unit 全息图像处理器， 微软出品的全息计算芯片与设备。
IPU -- Intelligence Processing Unit， Deep Mind投资的Graphcore公司出品的AI处理器产品。
MPU/MCU -- Microprocessor/Micro controller Unit， 微处理器/微控制器，一般用于低计算应用的RISC计算机体系架构产品，如ARM-M系列处理器。
NPU -- Neural Network Processing Unit，神经网络处理器，是基于神经网络算法与加速的新型处理器总称，如中科院计算所/寒武纪公司出品的diannao系列。
RPU -- Radio Processing Unit, 无线电处理器， Imagination Technologies 公司推出的集合集Wifi/蓝牙/FM/处理器为单片的处理器。
TPU -- Tensor Processing Unit 张量处理器， Google 公司推出的加速人工智能算法的专用处理器。目前一代TPU面向Inference，二代面向训练。
VPU -- Vector Processing Unit 矢量处理器，Intel收购的Movidius公司推出的图像处理与人工智能的专用芯片的加速计算核心。
WPU -- Wearable Processing Unit， 可穿戴处理器，Ineda Systems公司推出的可穿戴片上系统产品，包含GPU/MIPS CPU等IP。
XPU -- 百度与Xilinx公司在2017年Hotchips大会上发布的FPGA智能云加速，含256核。
ZPU -- Zylin Processing Unit, 由挪威Zylin 公司推出的一款32位开源处理器。
当26个字母被用完后，即将出现XXPU，XXXPU，并以更快的速度占领起名界。
你说吓不吓人？
到这里，相信诸位也对这些XPU的概念有了初步的认识。
可你以为给妹子讲了这些后就能成功讨得美人欢心吗？
太天真了！
妹子询问你类似问题的本质都只有一个：别BB了，快去下单给我买回来！
作者： 博思 博思Ponder
站长推荐 /2
本书的设计与讲解由浅入深，对于ASIC设计工程师来说，本书是一本常好的自学教材，既适合高年级本科生作为教材，也适合研究生年的课程需求。作为本科生和研究的数字系统设计知识和计算机组织结构知识的补充，本书也很有价值。
解答问题数量第1位的小伙伴，可以获得社区提供的 电饭煲 1个。
解答问题第2名-第4名的小伙伴，可以获得懒人手机支架 3个
所有按照要求参与解决问题活动的小伙伴中随机抽取5名幸运参与者，赠送一个麦香杯
联系电话: 3-8062
Powered by