FPGA的應用領域主要是深度學習和神經網絡算法

2020-12-06 電子發燒友

FPGA的應用領域主要是深度學習和神經網絡算法

中關村在線 發表於 2019-09-06 17:50:27

（文章來源：中關村在線）

如果說FPGA是繼任傳統CPU與GPU的未來，就有些誇大其詞。且不論CPU與GPU技術已經成熟，擁有完善的生態鏈，CPU與FPGA的結構也有所不同。CPU中擁有控制取指、解碼等流程，處理可信具備處理各式各樣千奇百怪的指令要求的能力。

相比之下FPGA就不能向CPU一樣靈活的處理各種沒有見過的指令，只能根據一個固定的模式來處理輸入的數據然後輸出，這也是為什麼FPGA經常被看作一種行家專屬的架構。

不同於CPU的是，FPGA和GPU內都有大量的計算單元，因此它們的計算能力都很強。在進行神經網絡運算的時候，兩者的速度會比CPU快很多。但是GPU由於架構固定硬體原生支持的指令固定了，而FPGA則是可編程的。

我們可以看到，FPGA的應用領域主要是深度學習和神經網絡算法，而傳統的CPU更關注的是「通用」，GPU雖然更注重計算速度，但是其指令仍然是固定的。而FPGA的出現之所以風靡全球，就是因為其可編程性，這讓FPGA在深度學習領域擁有了得天獨厚的優勢。這樣也就不奇怪谷歌為了發展深度學習，自己研發了名為TPU的自有晶片。正如谷歌數據中心負責人霍爾澤所言：谷歌研發自有晶片是為了解決哪些省為解決的問題。

當市場需求發生變化，技術一定會隨之發展，當深度學習成為熱門領域時，與之最匹配的FPGA也應聲成為廠商追逐的焦點。

打開APP閱讀更多精彩內容

聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容圖片侵權或者其他問題，請聯繫本站作侵刪。 侵權投訴

相關焦點

  • 深度學習:神經網絡算法的昨天、今天和明天
    而這些應用背後的核心算法就是深度學習（Deep Learning），也是機器學習（Machine Learning）領域最火熱的一個分支。和其他機器學習算法有很大不同，深度學習依賴大量數據的迭代訓練，進而發現數據中內在的特徵（Feature），然後給出結果。這些特徵中，有很多已經超越了人為定義的特徵的表達能力，因此得以讓深度學習在很多任務的表現上大大超越了其他機器學習算法，甚至超越了人類自己。
  • 機器學習算法盤點:人工神經網絡、深度學習
    機器學習算法盤點：人工神經網絡、深度學習 佚名 發表於 2016-08-01 16:26:33 　　機器學習無疑是當前數據分析領域的一個熱點內容。很多人在平時的工作中都或多或少會用到機器學習的算法。
  • 機器學習算法匯總:人工神經網絡、深度學習及其它
    常見的應用場景包括動態系統以及機器人控制等。常見算法包括Q-Learning以及時間差學習（Temporal difference learning）在企業數據應用的場景下， 人們最常用的可能就是監督式學習和非監督式學習的模型。 在圖像識別等領域，由於存在大量的非標識的數據和少量的可標識數據， 目前半監督式學習是一個很熱的話題。
  • fpga應用領域_fpga應用三個主要方向
    fpga應用的三個主要方向 　　第一個方向，也是傳統方向主要用於通信設備的高速接口電路設計，這一方向主要是用在這一方向要求FPGA設計者有一定的數學功底，能夠理解並改進較為複雜的數學算法，並利用FPGA內部的各種資源使之能夠變為實際的運算電路。目前真正投入實用的還是在通信領域的無線信號處理、信道編解碼以及圖像信號處理等領域，其它領域的研究正在開展中，之所以沒有大量實用的主要原因還是因為學金融的、學醫學的不了解這玩意。
  • 神經網絡和深度學習簡史(全)
    聚類，一種很常用的非監督式學習應用在反向傳播算法發現之前和之後，神經網絡都還有其他的非監督式應用，最著名的是自組織映射神經網絡（SOM，Self Organizing Maps）和自適應共振理論（ART，Adapative
  • 深度學習進入晶片領域,揭秘寒武紀神經網絡處理器
    雖然神經網絡已成為模式識別等領域的主流算法，但用戶很多時候可能傾向於使用其他一些經典的機器學習算法。例如程序化交易中經常使用線性回歸這類可解釋性好、複雜度低的算法。PuDianNao運行上述機器學習算法時的平均性能與主流GPGPU相當，但面積和功耗僅為主流GPGPU百分之一量級。 （PuDianNao版圖）神經網絡處理器的市場前景在上世紀80年代，因人工智慧無法達到公眾/投資人的預期，導致整個行業陷入低谷。近年來，隨著算法、應用和工藝三個方面都發生了劇烈的變化，神經網絡處理器涅磐重生。
  • 神經網絡算法在我國核領域中的應用綜述
    從 1956 年在達特蒙斯學院(Dartmouth)暑期論壇上首次提出[1]，已經經過了 60 多年的發展和積澱，近十幾年來，隨著網際網路、雲計算、大數據、超級計算等新技術的發展，推動了 以基於深度學習的神經網絡(簡稱深度學習)為代表的人工智慧技術飛速發展，廣泛應用於圖像分類、語音 識別、知識問答、人機對弈、無人駕駛等領域，迎來爆發式增長的新高潮，正引發可產生鏈式反應的科 學突破，加速新一輪的科技革命和產業變革
  • 神經網絡算法原理_神經網絡算法的應用_神經網絡算法實例說明
    神經網絡是一種模擬人腦結構的算法模型。其原理就在於將信息分布式存儲和並行協同處理。雖然每個單元的功能非常簡單，但大量單元構成的網絡系統就能實現非常複雜的數據計算，並且還是一個高度複雜的非線性動力學習系統。 　　神經網絡的結構更接近於人腦，具有大規模並行、分布式存儲和處理、自組織、自適應和自學能力。
  • 推薦| 九本不容錯過的深度學習和神經網絡書籍
    在引介基本概念後，作者檢視了概率密度函數的建模技巧以及多層感知機以及徑向基函數網絡模型的特性和優點。本書也介紹了各種不同形式的誤差函數、誤差函數極小化主要算法，神經網絡的學習和泛化以及貝葉斯技巧及其應用。4.
  • 前沿| 利用遺傳算法優化神經網絡:Uber提出深度學習訓練新方式
    許多人認為，SGD 算法有效計算梯度的能力對於這種訓練能力而言至關重要。但是，Uber 近日發布的五篇論文表明，神經進化（neuroevolution）這種利用遺傳算法的神經網絡優化策略，也是訓練深度神經網絡解決強化學習（RL）問題的有效方法。
  • 人工智慧、機器學習、神經網絡和深度學習之間是什麼樣的關係?
    但是大家在關注或研究人工智慧領域的時候，總是會遇到這樣的幾個關鍵詞：深度學習、機器學習、神經網絡。那他們之間到底是什麼樣的關係呢?本文引用地址：http://www.eepw.com.cn/article/201806/381185.htm　　先說人工智慧，人工智慧是在1956年一個叫達特茅斯會議上提出的。
  • 深度學習技術和卷積神經網絡(CNN)讓機器視覺識別更智能
    隨著人工智慧技術的進步，深度學習技術（DL）和卷積神經網絡技術(CNN)領域的人工智慧（AI）被引入到機器視覺圖像處理系統的應用中來,從而幫助機器學習和機器檢測缺陷更加高效，使機器視覺識別的過程更加精確。也讓使用這些技術的企業可以從智能化中獲得更高的生產經營效益。
  • 神經網絡學習降噪算法解析
    對攝影來說，我們的目的很單純：弱光高ISO拍攝的照片跟低ISO效果接近就行，這個或許硬體端很長時間甚至不可能達到境界，在當下的AI深度學習算法加持下，已經基本實現了……NVIDIA最近跟芬蘭阿爾託大學和美國麻省理工合作，使用Tesla P100 GPU集群，在谷歌TensorFlow學習系統下以cuDNN加速庫，專門針對圖像降噪領域進行了深度學習算法研究。
  • 基於神經網絡算法 羊毛_基於pso算法和bp算法訓練神經網絡 - CSDN
    圖神經網絡是用於圖結構數據的深度學習架構，將端到端學習與歸納推理相結合，業界普遍認為其有望解決深度學習無法處理的因果推理、可解釋性等一系列瓶頸問題，是未來 3 到 5 年的重點方向。2019 年圖神經網絡有哪些研究成果值得關注？2020 年它又將朝什麼方向發展？讓我們一起來一探究竟。
  • 人工神經網絡的五大主要應用場景
    人工神經網絡是一種嘗試，模擬組成人腦的神經元網絡，這樣計算機就能像人一樣學習事物並做出決策。人工神經網絡是通過對普通計算機進行編程而產生的，使它們的行為類似於人類的相互連接的腦細胞。人工神經網絡是受人腦啟發的計算模型。人工神經網絡最近的許多進展都是在人工智慧領域取得的，包括語音識別，圖像識別，以及基於人工神經網絡的機器人。
  • 新光子晶片助力深度學習,神經網絡算法可採用新型光子技術更快實現
    基於人工神經網絡算法的計算機深度學習系統已成為目前計算機領域研究的前沿熱點，它的原理是使人工神經網絡算法模仿人腦從實踐中學習的方式進行學習。它除了可以用來實現面部和聲音識別以外，還可通過搜尋大量的醫學數據來進行醫學診斷，或者通過搜尋化學方程式來尋找潛在的新藥合成方式。
  • 【PPT下載】深度學習入門指南!六步構建深度神經網絡
    今天將從以下四個方面來跟大家分享我對深度學習這個概念的理解：–機器學習和深度學習的定義；-深度學習的應用範圍；-深入學習的實現以及特點；-上手NVIDIA交互式深度學習訓練平臺DIGITS。從上世紀五十年代計算機被發明開始，高效地利用各種各樣的工具去解決人類生活生產中的問題成為當時一個大的話題，到了1980年，利用計算機解決問題的方法被初步定義為機器學習，而機器學習有很多的學科，在設計時它是一個交叉的學科，涉及到概率論、統計學、算法複雜度理論等多門學科。深度學習是通過對人工神經網絡的研究，使得機器學習的操作和執行變得更完善、更高效。因此，深度學習是機器學習的一個分支。
  • 算法之「算法」:所有機器學習算法都可以表示為神經網絡
    隨後出現了一個又一個新算法，從邏輯回歸到支持向量機。但是眾所周知，神經網絡是算法的算法及機器學習的巔峰。我們可以說，神經網絡是對機器學習的普遍概括，而不是僅僅一次嘗試。與其說神經網絡是簡單的算法，不如說是框架和概念，這是顯而易見的，因為在構建神經網絡時有很大的自由度——比如對於隱藏層&節點個數、激活函數、優化器、損失函數、網絡類型（卷積神經網絡、循環神經網絡等）以及特殊層（批歸一化、隨機失活等）。如果把神經網絡看作是概念而非嚴格的算法，一個有趣的推論就應運而生了：任何機器學習算法，無論是決策樹還是k近鄰，都可以用神經網絡表示。
  • 理解神經網絡:從神經元到RNN、CNN、深度學習
    隨著時間的推移，證明了神經網絡在精度和速度方面，比其他的算法性能更好。並且形成了很多種類，像CNN(卷積神經網絡),RNN,自編碼，深度學習等等。神經網絡對於數據科學和或者機器學習從業者，就像線性回歸對於統計學家一樣。因此，對神經網絡是什麼有一個基本的理解是有必要的，比如，它是怎麼構成的，它能處理問題的範圍以及它的局限性是什麼。
  • 金融領域裡的機器學習算法介紹:人工神經網絡
    人工智慧的發展在很大程度上是由神經網絡、深度學習和強化學習推動的。這些複雜的算法可以解決高度複雜的機器學習任務，如圖像分類、人臉識別、語音識別和自然語言處理等。這些複雜任務一般是非線性的，同時包含著大量的特徵輸入。我們下面我們將分幾天的時間對這些算法及其在金融領域的應用進行闡述。