FPGA在深度学习中的优势总结

网友的观点：
目前的机器学习任务都在使用 32 位密度矩阵乘法，这是 GPU 占优势的领域。
 FPGA 的优势：重构机器学习，因为 FPGA 可以适应向低精度的转变。

灵活性：由于 FPGA 具有可重构性，它可以适用于复杂的工程环境。例如，在硬件设计和应用设计完成之后，通过实验发现性能未能达到理想状态。可重构性使得基于 FPGA 的硬件加速器能够很好地处理频繁的设计变更并满足用户不断变化的需求。因此，与 ASIC 平台相比，这种灵活性也是 FPGA 平台的亮点。

 

新兴的低精度和稀疏 DNN 算法相比于传统的密集 FP32 DNN 能更大地提升巨型算法的效率，但也带来了 GPU 难以应对的不规律并行和自定义数据类型。相反，FPGA 专为极端的自定义性设计，并在运行不规律并行和自定义数据类型时表现出众。这些趋势将使未来的 FPGA 在运行 DNN、人工智能和机器学习应用方面成为一个可行的平台。Huang 说，FPGA 专用机器学习算法还有更多的峰值储备。