在2019年，谷歌终于发布了可以购买的Coral品牌的TPU设备。 但是，没有那么强大的培训用云网络，例如BigGAN的100 petaflop / s，甚至还没有最便宜的180 TFlop / s v2 TPU，每小时租金为4.5美元。 这些TPU设备应“在边缘”工作，也就是说，可以为无需访问Internet的小型设备实现深度学习解决方案。 我们可以购买的那些TPU有多好？
在
当前产品的规格中
，其速度表示为4个TOP（每秒操作数）。 这些不是支持32位浮点运算的标准设备，因为在这些设备上运行的
tensorflow-lite使用8位定点算法。 同样，您不会在它们中找到像云TPU或GPU那样的内存带宽。 Edge TPU通过USB 3.0或第二代mPCIe总线连接到设备，因此速度将限制为500-640 MB / s。 当然，由于此类设备上只有
8 MB的SRAM ，因此与设备之间进行数据传输所需的时间不会超过16毫秒，而我们编写本文所测试的模型仅花费了10毫秒。 您不会因为内存不足而受苦，因为这些设备并非旨在从头开始学习。 但是，您可以在此设备上训练模型的最后一层。 使用边缘TPU的要点是建立逻辑结论，这就是我将如何检查此设备的速度。
最封闭的设备（如
Coral Edge TPU）于2019年3月发布，正是我设法玩弄了它。 这是Coral原型之一，尽管根据文档，它的性能与发布的带有mPCIe的主板完全相同。 USB 3.0没问题，但是如果您不想与外部加密狗弄乱，可以将M.2 Accelerator A + E卡而不是WiFi卡放在插槽中：
左：笔记本电脑中的wifi卡。 右：插入同一插槽的M.2 A + E加速器。尺寸为30毫米x 65毫米，成本为75美元的边缘TPU加速器内部是什么？ 能否有一个价格为35美元的30 mm x 22 mm mPCIe加速器，带有USB适配器和散热器？ 我们可以轻轻地打开一盒塑料和金属吗？
前后边缘TPU得益于非常坚固的散热器，塑料盒可以毫无问题地打开。 拧下4个螺钉即可卸下散热器本身。
卸下塑料盖的设备背面（带或不带散热器）以及散热器本身上面问题的答案：不，不是字面上的意思，但是董事会非常相似：
Coral Edge TPU的工作面。 右侧是M2 A + E加速器和一个1美分硬币上的单独TPU芯片散热器芯片可能是TPU（更大）和内存。 将Edge TPU收集回去后，我进行了自己的速度测试，尽管
Google的测试表明其性能比CPU快10甚至20倍。
来自Coral站点的用于对象识别
的示例可以在CPU和TPU上运行。 我将此设备连接到具有
Galium OS 2.1的 Acer Chromebook 11上，它与Debian足够相似，以便安装tf-lite和用于TPU的程序，而不会出现任何问题。 用于对象识别的MobileNetV2 SSDLite模型占用的内存不到7 MB，可处理300x300图像。 在TPU上，一幅图像将在20毫秒内处理（+10毫秒用于一次图像复制）。 在2014年使用Intel Celeron 2.16GHz CPU的笔记本电脑上，图像处理时间为1500毫秒。 在另一台PC上，使用Intel Xeon处理器2.5 GHz CPU（根据cpubenchmark.net，它的速度是我的15倍），图像处理时间为130毫秒（消耗210 W！）。 根据cpubenchmark.net的数据，可用的最快CPU速度将比此速度快3倍：并且它仍将比边缘TPU慢，而且边缘TPU更便宜，消耗更少！
一个更有趣的项目是识别笔记本电脑摄像头视频流中的对象。 在赛扬处理器上，
所选示例每秒处理少于一帧。 在TPU上，它每秒处理20帧-即实时工作。 与TPU进行通信的时间只有四分之一，其余时间用于调整图片大小并显示CPU处理的最终数据。 尽管我安装了TPU程序以使其在最大频率下运行，但我并没有接近其极限，因此TPU散热器没有预热到任何不舒适的温度。
给出的示例很容易更改和调整。 要开始使用该设备，您只需
通过apt-get安装TPU工作环境，然后通过pip安装tf-lite-您就可以使用示例了。 这些示例中的模型已经过预编译。 为了进行更合理的速度测试，您需要从头开始训练模型，在GPU和CPU上运行它，将其转换为tf-lite，然后在CPU和TPU上运行。
总的来说，我对此设备感到满意。 令我惊讶的是，能够识别300x300图像中的对象的网络可以在2014年的上网本上实时运行，而升级仅需花费75美元（如果使用M.2板，则只需花费35美元）。 当然，区域TPU不会取代GPU进行训练甚至评估模型。 但是，我看到了
板上的巨大潜力，其中一个TOP的成本为10美元，功耗为0.5瓦。 它比使用GPU便宜至少10倍！ 而且耗能少得多。 这是在现场演示工作的绝佳选择。 如果产品网站上的
标签上标明了您感兴趣的任务，那么当优先考虑低功耗和小系统尺寸时，该芯片将非常有用。