TPU全称是：Tensor Processing Unit，由Google 推出和推广。
Tensor：中文为“张量”。在数学和计算机科学中，张量是多维数组，是机器学习中数据和计算的基本单位。例如，一个图像数据集可以被看作一个四维张量。
Processing Unit：处理单元。顾名思义，就是处理这些张量的专用硬件。
TPU名称的深层含义
1.为TensorFlow而生：TPU是谷歌专门为其开源机器学习框架TensorFlow设计的硬件。名字中的“Tensor”直接取自“TensorFlow”，表明了它与这个生态系统的深度集成。
2.为张量计算而优化：神经网络的核心运算（如矩阵乘法、卷积）都是基于张量进行的。TPU的硬件架构被专门设计来高效、低功耗地执行这些特定的张量操作。
简单来说，TPU就是一个专门用来加速人工智能（特别是机器学习）计算的定制处理器。
TPU的主要特点
专精化：与通用CPU和较为通用的GPU不同，TPU是专门为大规模矩阵乘法、卷积等神经网络核心运算设计的，它去除了很多不必要的控制逻辑和缓存，将绝大部分晶体管都用于计算本身。简单比喻：
CPU像是一个全能管家，什么都能干，但每件事都不是极致的快。
GPU像是一个施工队，特别擅长同时进行大量重复性的简单任务（如图形渲染、并行计算）。
TPU则像是一个顶级的数学计算专家，它只专注于解决神经网络所涉及的那一类复杂数学问题，并且在这个特定领域做到了极致的高效和快速。
高能效：由于高度定制化设计，TPU在执行AI任务时，其性能功耗比远高于CPU和GPU。这意味着在完成同样的AI计算任务时，TPU耗电更少，速度更快。
主要用于推理和训练
第一代TPU：主要用于推理，即在训练好的模型上进行预测。
后续TPU：已经能够高效地处理大规模的模型训练任务。
与Cloud AI和TensorFlow深度集成：谷歌主要在其云平台上以服务的形式提供TPU计算能力，并与自家的TensorFlow框架无缝衔接，开发者可以很方便地调用TPU资源。
转自-懂点技术的采购YJ
数据源于网络，错改，侵删！
