TPU V3: n suorituskyky verrattuna TPU V2: een paranee merkittävästi. TPU V3 -pod saavuttaa kahdeksankertaisen TPU V2 -podin suorituskyvyn, saavuttaen yli 100 petfloppia laskentavoimasta [1]. Tämä merkittävä suorituskyvyn lisääntyminen antaa kehittäjille mahdollisuuden suorittaa monimutkaiset koneoppimistehtävät tehokkaammin ja saavuttaa nopeampia tuloksia.
Arkkitehtuurin kannalta TPU V3 sisältää tehokkaamman jäähdytysjärjestelmän, jossa käytetään vesijäähdytystä, mikä vähentää vaaditun pystysuoran tilan ja mahdollistaa enemmän TPU: n pakattamisen POD: hen verrattuna TPU V2: ään [1]. TPU V3 tarjoaa myös enemmän muistia ja kaistanleveyttä, ja jokaisella levyllä on 16 Gt muisti, verrattuna 8 Gt: iin TPU V2: ssä [5] [7].
Kaiken kaikkiaan TPU V3: n kehitys tekee siitä paremmin sopivan laajamittaisiin koneoppimisprojekteihin, jotka vaativat korkeaa laskennallista voimaa ja tehokkuutta.
Viittaukset:.
[2] https://www.reddit.com/r/machinelearning/comments/zil35t/d_does_google_tpu_v4_compete_with_gpus_in/
[3] https://www.datacamp.com/blog/tpu-vs-gpu-ai
. Keskusta+asennus%3f
[5] https://www.run.ai/guides/cloud-deep-learning/google-tpu
.
[7] https://news.ycombinator.com/item?id=22195516
[8] https://cloud.google.com/tpu/docs/v2
[9] https://eng.snap.com/training-models-with-tpus