(文章来源:ofweek)
相比gpu和gpp,fpga在满足深度学习的硬件需求上提供了具有吸引力的替代方案。凭借流水线并行计算的能力和高效的能耗,fpga将在一般的深度学习应用中展现gpu和gpp所没有的独特优势。同时,算法设计工具日渐成熟,如今将fpga集成到常用的深度学习框架已成为可能。未来,fpga将有效地适应深度学习的发展趋势,从架构上确保相关应用和研究能够自由实现。
最近几年数据量和可访问性的迅速增长,使得人工智能的算法设计理念发生了转变。人工建立算法的做法被计算机从大量数据中自动习得可组合系统的能力所取代,使得计算机视觉、语音识别、自然语言处理等关键领域都出现了重大突破。深度学习是这些领域中所最常使用的技术,也被业界大为关注。
然而,深度学习模型需要极为大量的数据和计算能力,只有更好的硬件加速条件,才能满足现有数据和模型规模继续扩大的需求。现有的解决方案使用图形处理单元(gpu)集群作为通用计算图形处理单元(gpgpu),但现场可编程门阵列(fpga)提供了另一个值得探究的解决方案。
日渐流行的fpga设计工具使其对深度学习领域经常使用的上层软件兼容性更强,使得fpga更容易为模型搭建和部署者所用。fpga架构灵活,使得研究者能够在诸如gpu的固定架构之外进行模型优化探究。同时,fpga在单位能耗下性能更强,这对大规模服务器部署或资源有限的嵌入式应用的研究而言至关重要。本文从硬件加速的视角考察深度学习与fpga,指出有哪些趋势和创新使得这些技术相互匹配,并激发对fpga如何帮助深度学习领域发展的探讨。
基于奥比中光红外深度相机的虹膜识别系统
谷歌地图全面升级 增加3D视图和高清卫星照片
全球首个可以为智能合约提供链外数据的分布式预言机Chainlink介绍
雷军野心不小2月小米5C 4月小米6 小米平板打辅助 小米MIX2强力狙击!
AIoT户外应用场景遍地开花
GPU和GPP相比谁才是深度学习的未来
DDR3芯片价格短线急涨近一成?
应用新型充电方案,提高锂电子电池的充电安全
华为P40或将是首款搭载鸿蒙系统的手机
HC301在LED恒流领域中的广泛应用
关于PLC编程的三个实用算法
如何画出漂亮的PCB?
瑞能半导体如何才能在激烈的市场竞争中突围
浅谈pcb电路板吹孔缺陷产生原因
LG将在CES2018重推搭载阿尔法9内核的顶级TV
中国移动联合合作伙伴成功实现了5G网络对机器人的连接控制
Vishay的表面贴装Power Metal Strip荣获今日电子杂志TOP-10电源产品奖
通信子网在计算机网络中的地位和作用
SGS受邀出席第九届FMC氟材料会议探讨PFAS管控
【晚间三分钟】马云高考数学考1分;特朗普坚持"复活"中兴国会无法阻止;高通前CEO创立5G公司旨在收购高