一些数字，我们运行了一个简单的图像分类，我们将旧的联想 Yoga 笔记本与在 Coral TPU 上运行的模型进行了比较。
根据 Coral TPU 的在线规格，其性能原则上应该能够支持高达 400 FPS 的高速实时视频/图像对象识别，例如通过 Google 的 MobileNet V2 对象识别深度学习算法。
为了演示目的，我们在运行 Ubuntu 18.04 的紧凑型联想 Yoga 笔记本电脑上部署了这 BC 数据 样一个模型（MobileNet SSD V2，用 Python 编写），并且获得了约 46 FPS 的视频检测速度性能。
与早期团队黑客马拉松期间基于 CPU 的视频对象识别实现相比，我们在具有 6 核 CPU 的 HP PC 上获得了基于 CPU 的视频对象识别实现的检测速度约为 0.7 FPS，这明显慢于上述 Coral edge TPU 场景的结果。
在此基础上，我们通过在两个后端运行相同的笔记本比较了 Google Colab 上可用的 GPU 和 TPU 的性能。在调整代码以确保其充分利用 TPU 之后，我们能够在使用批量大小为 64 训练模型时获得类似的性能。当使用更大的批量大小（例如 2048）时，TPU 的表现比 GPU 运行时好得多。下表显示了不同批次大小的训练过程中每步的平均时间。
总结：Coral TPU 可用于运行模型并在边缘进行预测。一般来说，如果您在 TPU 上进行训练，并且批次大小足够大且经过多次训练，那么您可以获得比使用 GPU 三倍以上的性能。 TensorFlow 2 和 TPU 之间的兼容性方面仍有改进空间——您需要 TensorFlow 1 将现有模型量化为所需的 TFLite 模型。然而，我们可以看到，快速高效的训练和边缘机器学习的前景是光明的！
那么，您是否应该考虑转换到其他语言？
嗯...学习其他编程语言总是一个好主意。不仅可以提高自己的技能水平，还可以获得更多的工具来完成工作！了解语言的优点和缺点可以让你作为程序员更容易地选择适合工作的工具。现在你知道了，如果你想实现一个 CNN，使用 Rust 可能不是最好的选择。然而，当性能很重要时，你绝对应该考虑 Rust。
需要记住的要点是每个问题都有一个解决方案，选择正确的语言取决于需要完成的任务，当然还取决于您的经验和知识水平。了解用什么语言可以做什么有助于提高您作为程序员的技能。继续寻找，可能会出现一些有趣的新 DS 语言……
这篇博客是作为“没有 Python 的数据科学：未来的语言”聚会 的补充而写的。有关视频您可以点击此处，有关代码请参阅我们的github。