FPGA与人工智能泛谈-01

---

前言

人工智能技术的快速发展正从各个方面改变人类的生活、工作及教育等各个方面，其中人工智能算法的演进又是其中的关键一步，其中会涉及到各种神经网络算法，算法本身的实现依赖于巨量的数据和强大的计算能力，目前还没有出现一种万能神经网络算法适用于所有的问题。这就需要我们的神经网络算法训练平台能够根据具体的应用需求调整里面的参数，可配置计算应运而生，它基于高性能FPGA平台，通过硬件可动态配置编程来解决算法的适配问题。

一、FPGA(Field Programmable Gate Array)是什么？

现场可编程门阵列 （FPGA） 是具有可编程硬件结构的集成电路。与图形处理单元 （GPU） 或专用 ASIC 不同，FPGA 芯片内部的电路不是硬蚀刻的，可以根据需要重新编程，并且可以反复编程，目前大部分基于SRAM和FLASH技术来实现。 FPGA 集速度、可编程性和灵活性于一身，提供高性能的同时，无需开发定制专用集成电路 （ASIC） 的成本和复杂性。

---

二、与GPU的对比

1.GPU特点

早期的人工智能应用，如图像识别，严重依赖并行性。由于 GPU 是专门为渲染视频和图形而设计的，因此将它们用于机器学习和深度学习变得流行起来。GPU 擅长并行处理，并行执行大量算术运算。换句话说，在必须快速连续多次执行相同工作负载的情况下，它们可以提供令人难以置信的加速。因此GPU特别适合于神经网络的训练。
GPU与专用ASIC芯片相