深度學習是機器學習的一個領域，都屬于人工智能（AI）的范疇。深度學習主要研究的是人工神經網絡的算法、理論、應用。

自從2006年Hinton等人提出來之后，深度學習高速發展，在自然語言處理、圖像處理、語音處理等領域都取得了非凡的成就，受到了巨大的關注。在互聯網概念被人們普遍關注的時代，深度學習給人工智能（AI）帶來的影響是巨大的，人們會為它隱含的巨大潛能以及廣泛的應用價值感到不可思議。

事實上，人工智能（AI）是上世紀就提出來的概念。1957年，Rosenblatt提出了感知機模型（Perception），即兩層的線性網絡；1986年，Rumelhart等人提出了后向傳播算法（Back Propagation），用于三層的神經網絡的訓練，使得訓練優化參數龐大的神經網絡成為可能；1995年，Vapnik等人發明了支持向量機（Support Vector Machines），在分類問題中展現了其強大的能力。以上都是人工智能歷史上比較有代表性的事件，然而受限于當時計算能力，AI總是在一段高光之后便要陷入灰暗時光——稱為：“AI寒冬”。

然而，隨著計算機硬件能力和存儲能力的提升，加上龐大的數據集，現在正是人AI發展的最好時機。自Hinton提出DBN（深度置信網絡）以來，人工智能就在不斷的高速發展。在圖像處理領域，CNN（卷積神經網絡）發揮了不可替代的作用，在語音識別領域，RNN（遞歸神經網絡）也表現的可圈可點。而科技巨頭也在加緊自己的腳步，谷歌的領軍人物是Hinton，其重頭戲是Google brain，并且在去年還收購了利用AI在游戲中擊敗人類的DeepMind；Facebook的領軍人物是Yann LeCun，另外還組建了Facebook的AI實驗室，Deepface在人臉識別的準確率更達到了驚人的97.35%；而國內的巨頭當屬百度，在挖來了斯坦福大學教授Andrew Ng（Coursera的聯合創始人）并成立了百度大腦項目之后，百度在語音識別領域的表現一直十分強勢。

而FPGA（Field Programmable Gate Array）是在PAL、GAL、CPLD等可編程邏輯器件的基礎上進一步發展的產物。它是作為專用集成電路領域中的一種半定制電路而出現的，既解決了全定制電路的不足，又克服了原有可編程邏輯器件門電路數有限的缺點［3］。FPGA的開發相對于傳統PC、單片機的開發有很大不同。FPGA以并行運算為主，以硬件描述語言來實現；相比于PC或單片機（無論是馮諾依曼結構還是哈佛結構）的順序操作有很大區別。FPGA開發需要從頂層設計、模塊分層、邏輯實現、軟硬件調試等多方面著手。FPGA可以通過燒寫位流文件對其進行反復編程，目前，絕大多數 FPGA 都采用基于 SRAM（Static Random Access Memory 靜態隨機存儲器）工藝的查找表結構，通過燒寫位流文件改變查找表內容實現配置。

FPGA在GPU和ASIC中取得了權衡，很好的兼顧了處理速度和控制能力。一方面，FPGA是可編程重構的硬件，因此相比GPU有更強大的可調控能力；另一方面，與日增長的門資源和內存帶寬使得它有更大的設計空間。更方便的是，FPGA還省去了ASIC方案中所需要的流片過程。