如今FPGA飛速發(fā)展，它會是深度學習的未來嗎

（文章來源：OFweek）

作為GPU在算法加速上強有力的競爭者，FPGA是否立即支持不同硬件，顯得尤為重要。FPGA與GPU不同之處在于硬件配置靈活，且FPGA在運行深入學習中關(guān)鍵的子程序（例如對滑動窗口的計算）時，單位能耗下通常能比GPU提供更好的表現(xiàn)。不過，設(shè)置FPGA需要具體硬件的知識，許多研究者和應(yīng)用科學家并不具備，正因如此，F(xiàn)PGA經(jīng)常被看作一種行家專屬的架構(gòu)。最近，F(xiàn)PGA工具開始采用包括OpenCL在內(nèi)的軟件級編程模型，使其越來越受經(jīng)主流軟件開發(fā)訓(xùn)練的用戶青睞。

對考察一系列設(shè)計工具的研究者而言，其對工具的篩選標準通常與其是否具備用戶友好的軟件開發(fā)工具、是否具有靈活可升級的模型設(shè)計方法以及是否能迅速計算、以縮減大模型的訓(xùn)練時間有關(guān)。隨著FPGA因為高抽象化設(shè)計工具的出現(xiàn)而越來越容易編寫，其可重構(gòu)性又使得定制架構(gòu)成為可能，同時高度的并行計算能力提高了指令執(zhí)行速度，F(xiàn)PGA將為深度學習的研究者帶來好處。

對應(yīng)用科學家而言，盡管有類似的工具級選擇，但硬件挑選的重點在于最大化提高單位能耗的性能，從而為大規(guī)模運行降低成本。所以，F(xiàn)PGA憑借單位能耗的強勁性能，加上為特定應(yīng)用定制架構(gòu)的能力，就能讓深度學習的應(yīng)用科學家受益。

FPGA能滿足兩類受眾的需求，是一個合乎邏輯的選擇。本文考察FPGA上深度學習的現(xiàn)狀，以及目前用于填補兩者間鴻溝的技術(shù)發(fā)展。因此，本文有三個重要目的。首先，指出深度學習領(lǐng)域存在探索全新硬件加速平臺的機會，而FPGA是一個理想的選擇。其次，勾勒出FPGA支持深度學習的現(xiàn)狀，指出潛在的限制。最后，對FPGA硬件加速的未來方向提出關(guān)鍵建議，幫助解決今后深度學習所面臨的問題。

傳統(tǒng)來說，在評估硬件平臺的加速時，必須考慮到靈活性和性能之間的權(quán)衡。一方面，通用處理器（GPP）可提供高度的靈活性和易用性，但性能相對缺乏效率。這些平臺往往更易于獲取，可以低廉的價格生產(chǎn)，并且適用于多種用途和重復(fù)使用。另一方面，專用集成電路（ASIC）可提供高性能，但代價是不夠靈活且生產(chǎn)難度更大。這些電路專用于某特定的應(yīng)用程序，并且生產(chǎn)起來價格昂貴且耗時。

FPGA是這兩個極端之間的折中。FPGA屬于一類更通用的可編程邏輯設(shè)備（PLD），并且簡單來說，是一種可重新配置的集成電路。因此，F(xiàn)PGA既能提供集成電路的性能優(yōu)勢，又具備GPP可重新配置的靈活性。FPGA能夠簡單地通過使用觸發(fā)器（FF）來實現(xiàn)順序邏輯，并通過使用查找表（LUT）來實現(xiàn)組合邏輯?，F(xiàn)代的FPGA還含有硬化組件以實現(xiàn)一些常用功能，例如全處理器內(nèi)核、通信內(nèi)核、運算內(nèi)核和塊內(nèi)存（BRAM）。

另外，目前的FPGA趨勢趨向于系統(tǒng)芯片（SoC）設(shè)計方法，即ARM協(xié)處理器和FPGA通常位于同一芯片中。目前的FPGA市場由Xilinx主導(dǎo)，占據(jù)超過85％的市場份額。此外，F(xiàn)PGA正迅速取代ASIC和應(yīng)用專用標準產(chǎn)品（ASSP）來實現(xiàn)固定功能邏輯。 FPGA市場規(guī)模預(yù)計在2016年將達到100億美元。

對于深度學習而言，F(xiàn)PGA提供了優(yōu)于傳統(tǒng)GPP加速能力的顯著潛力。GPP在軟件層面的執(zhí)行依賴于傳統(tǒng)的馮·諾依曼架構(gòu)，指令和數(shù)據(jù)存儲于外部存儲器中，在需要時再取出。這推動了緩存的出現(xiàn)，大大減輕了昂貴的外部存儲器操作。該架構(gòu)的瓶頸是處理器和存儲器之間的通信，這嚴重削弱了GPP的性能，尤其影響深度學習經(jīng)常需要獲取的存儲信息技術(shù)。相比較而言，F(xiàn)PGA的可編程邏輯原件可用于實現(xiàn)普通邏輯功能中的數(shù)據(jù)和控制路徑，而不依賴于馮·諾伊曼結(jié)構(gòu)。

最重要的是，相比于GPU，F(xiàn)PGA為硬件加速設(shè)計的探索提供了另一個視角。GPU和其它固定架構(gòu)的設(shè)計是遵循軟件執(zhí)行模型，并圍繞自主計算單元并行以執(zhí)行任務(wù)搭建結(jié)構(gòu)。由此，為深度學習技術(shù)開發(fā)GPU的目標就是使算法適應(yīng)這一模型，讓計算并行完成、確保數(shù)據(jù)相互依賴。與此相反，F(xiàn)PGA架構(gòu)是為應(yīng)用程序?qū)ｉT定制的。在開發(fā)FPGA的深度學習技術(shù)時，較少強調(diào)使算法適應(yīng)某固定計算結(jié)構(gòu)，從而留出更多的自由去探索算法層面的優(yōu)化。需要很多復(fù)雜的下層硬件控制操作的技術(shù)很難在上層軟件語言中實現(xiàn)，但對FPGA執(zhí)行卻特別具有吸引力。