达到75.1%Top-1准确率所需成本,GPU成本 原图定位 ASIC 和 GPU 对比,另外以谷歌 TPU 为代表的 ASIC 芯片存在着通用性差、性价比优势并不明显两大问题:其一,TPU 采用了传统脉动阵列机架构,在做卷积神经网络(CNN)时效率较高,但是在做其他类型神经网络时(例如递归神经网络 RNN、长短时记忆 LSTM)效率不是很高。因为 ASIC 芯片设计时让渡了很大程度的灵活性来实现较高的性能功耗比。其二,有开发人员将相同的深度学习模型跑在谷歌云 TPU 云计算服务和基于英伟达 GPU的加速计算公有云服务上,结果显示,TPU 在吞吐量、性价比、成本等指标上,仅以微弱优势领先于英伟达 GPU(图 2-5);而在斯坦福大学的测试中,GPU 比 TPU 耗时更短、