（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。不過，設置FPGA需要具體硬件的知識，許多研究者和應用科學家并不具備，正因如此，FPGA經常被看作一種行家專屬的架構。最近，FPGA工具開始采用包括OpenCL在內的軟件級編程模型，使其越來越受經主流軟件開發訓練的用戶青睞。

對考察一系列設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工具、是否具有靈活可升級的模型設計方法以及是否能迅速計算、以縮減大模型的訓練時間有關。隨著FPGA因為高抽象化設計工具的出現而越來越容易編寫，其可重構性又使得定制架構成為可能，同時高度的并行計算能力提高了指令執行速度，FPGA將為深度學習的研究者帶來好處。

對應用科學家而言，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，從而為大規模運行降低成本。所以，FPGA憑借單位能耗的強勁性能，加上為特定應用定制架構的能力，就能讓深度學習的應用科學家受益。

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上深度學習的現狀，以及目前用于填補兩者間鴻溝的技術發展。因此，本文有三個重要目的。首先，指出深度學習領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支持深度學習的現狀，指出潛在的限制。最后，對FPGA硬件加速的未來方向提出關鍵建議，幫助解決今后深度學習所面臨的問題。

傳統來說，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，并且適用于多種用途和重復使用。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難度更大。這些電路專用于某特定的應用程序，并且生產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備（PLD），并且簡單來說，是一種可重新配置的集成電路。因此，FPGA既能提供集成電路的性能優勢，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器（FF）來實現順序邏輯，并通過使用查找表（LUT）來實現組合邏輯。現代的FPGA還含有硬化組件以實現一些常用功能，例如全處理器內核、通信內核、運算內核和塊內存（BRAM）。

另外，目前的FPGA趨勢趨向于系統芯片（SoC）設計方法，即ARM協處理器和FPGA通常位于同一芯片中。目前的FPGA市場由Xilinx主導，占據超過85％的市場份額。此外，FPGA正迅速取代ASIC和應用專用標準產品（ASSP）來實現固定功能邏輯。 FPGA市場規模預計在2016年將達到100億美元。

對于深度學習而言，FPGA提供了優于傳統GPP加速能力的顯著潛力。GPP在軟件層面的執行依賴于傳統的馮·諾依曼架構，指令和數據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，大大減輕了昂貴的外部存儲器操作。該架構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常需要獲取的存儲信息技術。相比較而言，FPGA的可編程邏輯原件可用于實現普通邏輯功能中的數據和控制路徑，而不依賴于馮·諾伊曼結構。

最重要的是，相比于GPU，FPGA為硬件加速設計的探索提供了另一個視角。GPU和其它固定架構的設計是遵循軟件執行模型，并圍繞自主計算單元并行以執行任務搭建結構。由此，為深度學習技術開發GPU的目標就是使算法適應這一模型，讓計算并行完成、確保數據相互依賴。與此相反，FPGA架構是為應用程序專門定制的。在開發FPGA的深度學習技術時，較少強調使算法適應某固定計算結構，從而留出更多的自由去探索算法層面的優化。需要很多復雜的下層硬件控制操作的技術很難在上層軟件語言中實現，但對FPGA執行卻特別具有吸引力。