首先，我们来看看CPU的结构
CPU主要包括运算器和控制器两大部件。此外，还包括若干个寄存器和高速缓冲存储器及实现它们之间联系的数据、控制及状态的总线。从上面的叙述我们可以看出，CPU主要包含运算逻辑器件、寄存器部件以及控制部件等，如图2-2-12所示。
图2-2-12 CPU结构简化图
从字面上我们也很好理解，运算逻辑器件主要执行算术运算、移位等操作，以及地址运算和转换；控制器件则是负责对指令译码，并且发出为完成每条指令所要执行的各个操作的控制信号。
目前世界上CPU的主要生产厂商是英特尔和AMD。
其次，我们再来看下GPU
CPU就像一个助理，他总是一件一件的做好我们安排的事情。但是当工作繁忙的时候，一个助理就不行了，于是人们就想，我们可以不可以多请几个助理，让他们一起工作，这样效率不就提高了吗？于是工程师们开始把上千个处理器放在同一块芯片上，这样GPU就诞生了。GPU就图形处理器，早先GPU主要是用在个人电脑上运行绘图运算工作的，比如游戏显卡。后来随着GPU性能的提升，GPU也开始广泛地应用于需要大量计算的领域，比如挖矿（比特币）和机器学习。CPU功能模块很多，能适应复杂运算环境；GPU构成则相对简单，对缓存的需求小，所以大部分晶体管可以组成各类专用电路、多条流水线，这才使得GPU的计算速度有了突破性的飞跃，拥有了更强大的处理浮点运算的能力。现在一个普通的GPU就有差不多1千多个核心。
虽然GPU是为了图像处理而生的，但是它在结构上并没有专门为图像服务的部件，只是对CPU的结构进行了优化与调整，所以现在GPU不仅可以在图像处理领域大显身手，它还被用来科学计算、密码破解、数值计算，大数据处理，机器学习等领域。GPU是机器学习的主要设备。
目前世界上GPU的生产厂商是英伟达。
然后，我们再看下FPGA
随着人们的计算需求越来越专业化，人们希望有芯片可以更加符合我们的专业需求，但是考虑到硬件产品一旦成型便不可再更改这个特点，人们便开始想，我们可不可以生产一种芯片，让它硬件可编程。也就是说，这一刻我们需要一个比较适合对图像进行处理的硬件系统，下一刻我们需要一个对科学计算比较适合的硬件系统，也就是说我们希望有一款芯片只要通过简单的编程就能适应各种工作，FPGA就是这样一种芯片。
FPGA中文全称为场效可编程逻辑闸阵列，它是作为专用集成电路领域中的一种半定制电路而出现的，既解决了全定制电路的不足，又克服了原有可编程逻辑器件门电路数有限的缺点。
使用FPGA人们可以根据需要，通过可编辑的连接，把其内部的各个逻辑块连接起来。是不是很像灵活多变的乐高积木呢。FPGA实验室环境用的较多。
最后，我们看下TPU
随着机器学习算法越来越多的应用在各个领域并表现出优越的性能，对于专业的机器学习硬件要求也越来越高，由于CPU计算能力差，GPU功耗高，FPGA性能低，所以我们有必要研究一款专门为机器学习而使用的芯片，Google就成功了研发了这样一款高性能的机器学习芯片，它就是TPU，其外观结构如图2-2-13所示。
图2-2-13 TPU板卡图
从名字上我们可以看出，TPU的灵感来源于Google开源深度学习框架TensorFlow，所以目前TPU还是只在Google内部使用的一种芯片。
从TPU的外观图我们可以看出，其中间突出一块很大的金属片，这便是为了可以很好地对TPU高速运算是产生大量的热进行耗散。
据说AlphaGo使用的就是TPU架构，如图2-2-14所示：
图2-2-14 TPU服务器
网友评论