学习总结——基于FPGA的深度学习算法加速
1、深度学习算法加速的方法
2、为什么用FPGA来加速YOLOV2
3、FPGA简介
4、PYNQ框架与HLS加速理论
5、实验结果
1、深度学习算法加速的方法
1.1 加速方案
1.GPU加速:GPU是一种多核处理器,GPU起初是用来进行图形处理任务的,经过长时间的发展,GPU的发展是日趋复杂的,而且针对不同的领域也有不同。
当GPU被用来进行通用计算时,就产生了一些通用的计算框架,比如说Opencl和CUDA。比如说高端GPU TItan系列,其频率可以达到1Ghz,拥有330GB的带宽,提供每秒极高的算力,但是功耗也达到了惊人的250W。对于嵌入式的GPU,比如说TegraX1,拥有256个处理核,带宽为25GB/s,同样在1Ghz的频率下,算力仍可以达到近Titan的十分之一,但是功耗只有10W。
2.ASIC加速:这些芯片分为两类:第一类,用来做训练和推理,这些芯片可以用来做DNN的训练,也可以做DNN的推理。第二类,用来做推理,这些ASICs用来运行在GPU或者其他硬件上已经训练好的模型,然后对训练过的网络进行修改,使得网络可以运行在不同的ASIC上。
3.FPGA加速:FPGA是一种可以重复配置的电路。在延迟方面