TPU V3 našumas, palyginti su TPU V2, yra žymiai sustiprintas. TPU V3 POD pasiekia aštuonis kartus didesnis už TPU V2 POD našumą ir pasiekia daugiau nei 100 skaičiavimo galios PETAFLOP [1]. Šis žymiai padidėjęs našumas leidžia kūrėjams efektyviau atlikti sudėtingas mašininio mokymosi užduotis ir pasiekti greitesnius rezultatus.
Kalbant apie architektūrą, TPU V3 apima efektyvesnę aušinimo sistemą, naudojant vandens aušinimą, o tai sumažina reikalingą vertikalią erdvę ir leidžia daugiau TPU supakuoti į ankštį, palyginti su TPU V2 [1]. „TPU V3“ taip pat siūlo daugiau atminties ir pralaidumo, kai kiekviena plokštė turi 16 GB atminties, palyginti su 8 GB TPU V2 [5] [7].
Apskritai, dėl TPU V3 pasiekimų jis tampa tinkamesnis didelio masto mašinų mokymosi projektams, kuriems reikalinga didelė skaičiavimo galia ir efektyvumas.
Citatos:[1] https://www.toolify.ai/ai-news/unveiling-the-evolution-of-tpus-tpu-v2-and-tpu-v3-1727331
[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
[4] https://massedcompute.com/faq-answers/?question=how+does+ThePower+Conselination+tpu+V3+Compare+tOterne+Toogle+tpus+in+a+data+ Centras+sąranka%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