了解人工智能领域的人都知道，图像处理单元（GPU）常被用来运行机器学习程序。而GPU比较适合运行完整的程序，而Graphcore这家创业公司力争要在芯片领域与英特尔和英伟达开始竞争。而他们提出的概念不是CPU，也不是GPU，而是IPU——智能处理单元。

　　所有最新的机器学习框架的有一个共同点，不管是TensorFlow、MxNet、Caffe、Theano、Torch还是其他的框架，他们均使用计算图像的概念来实现提取过程。图像正是描述在机器学习系统中创建的模型的最好方法。这些计算图像由用于描述顶点之间的通信路径的“边”（突触）以及连接的计算单元的“顶点”（神经元）组成。

　　与标量的CPU或矢量的GPU不同，Graphcore智能处理单元（IPU）是一个图像处理器。这家英国公司已经于2016年获得了3000万美元的投资，投资者包括博世、三星等巨头。

　　著名科技媒体wired曾撰写文章，介绍了Graphcore专为机器学习应用程序设计的Poplar软件框架，是如何创建了机器学习的“计算图”的。

　　AlexNet数据集训练的深度学习图像

　　该文介绍了Graphcore的软件框架Poplar，并概述了AlexNet图像的结构。随后，为了更好地使大家理解，该公司的科研人员又在博客中详述了该机器学习模型的工作原理。

　　wired文章中看到的图像，是从部署在IPU上的机器学习模型Poplar的内部图像处理框架中生成的。Poplar本身由两个关键组成部分组成：图像编译器（Graph Compiler）+图像引擎（Graph Engine）

　　在Poplar中，图像允许你自己定义计算的过程，其中顶点数代表操作，边数描述这些操作之间的通信。例如，如果要对2个数字求和，可以定义一个顶点，它具有2个数的输入（要相加的数字），一些计算（2个数字相加的函数）和一个输出（结果）。通常，顶点操作要复杂得多，由很多小程序（通常称其为codelets）来定义。而图像提取则非常具有吸引力，因为它不对计算结构做出假设，它将计算分解成组件块，并行处理器（例如IPU）可以利用这些组件块获得高性能。

　　Poplar使用这种简便的图像提取来构建出这些超大的图像。图像的程序化成像意味着我们可以根据所需的特定计算进行调整，以确保研究人员可以最有效地使用IPU资源。

　　这也使得科研人员可以在Poplar中实现对库的构建，j2直播，并提供了常见的外部接口。就拿上面的加法器那个简单的例子而言，我们可以写一个用于添加数字的库函数。如果我们将Poplar中不同大小的输入可视化的话，atv直播，看起来就像下面这张图。注意，只有一个顶点类型可以重复使用，但顶点之间的连接可以形成更复杂的计算。

　　Poplar图像编译器使得科研人员能够有效地将这些图像编译到IPU图像处理器中。Graphcore利用它构建图像库，特别是神经网络库（POPNN）。POPNN包含了针对各种图元的高度优化的顶点类型集合，包括诸如卷积，池化和全连接层等基元，他们可以被组合成各种复杂的机器学习模型。下图是在MNIST上训练的全连接网络。

　　MNIST是一个非常简单的计算机视觉数据集，在机器学习领域中，就类似于编程里的“hello world”那么简单。用于学习此数据集的简单网络，有助于理解那些图像。通过将图像库与TensorFlow等框架集成，在机器学习应用中，Graphcore采用能够充分利用IPU性能的最简单的方式。