FPGA 加速深度学习综述
2021-11-17刘腾达朱君文张一闻
计算机与生活 2021年11期
刘腾达,朱君文,张一闻
1.武警工程大学 研究生大队,西安710086
2.武警工程大学 信息工程学院,西安710086
近年来,随着大数据时代的来临,人们在短短几年中创造的数据呈爆发式增长[1-3],得益于数据量的上涨、运算力的提升和深度学习的出现,人工智能开始迅猛发展。作为实现人工智能的重要技术和研究方向,深度学习已经广泛应用于计算机视觉[4-6]、语音识别[7-9]和自然语言处理[10-12]等诸多领域。为了提高计算性能以适应神经网络模型的增大及其参数的增多,研究者在寻找各种软、硬件解决方案上花费了大量努力,目前广泛应用的方法有CPU、GPU、FPGA 和ASIC 等加速技术,其中GPU 加速技术由于其强大的计算能力已经成为深度学习加速方式的首选。现场可编程逻辑门阵列(field programmable gate array,FPGA)由逻辑单元阵列构成,内部包括可配置的逻辑模块、输入输出模块和内部互联网连线[13]。与其他加速方式相比,FPGA 具有可重构、高能效比、高性能、便携、延迟低等优势。基于这些优势,FPGA 近年来迅速发展,逐渐成为GPU 在算法加速领域的有力竞争者。目前基于FPGA 的神经网络加速器种类较多,其设计理念和加速方案各不相同,根据设计理念和满足需求的不同,可以分为:针对神经网络模型的加速器、针对具体问题定制的加速器、针对优化策略的加速器和针对硬件模板的加速器框架[14]。本文在深度学习的典型模型的基础上,归纳列举了各种FPGA 加速器并对比了典型加速器的性能特点,理清了FPGA 加速深度学习的研究现状,为进一步深入研究深度学习的FPGA 加速技术奠定了基础。……
登录APP查看全文