【儀器儀表商情網 核心技術】最近幾年數據量和可訪問性的迅速增長，使得人工智能的算法設計理念發生了轉變。人工建立算法的做法被計算機從大量數據中自動習得可組合系統的能力所取代，使得計算機視覺、語音識別、自然語言處理等關鍵領域都出現了重大突破。深度學習是這些領域中所最常使用的技術，也被業界大為關注。然而，深度學習模型需要極為大量的數據和計算能力，只有更好的硬件加速條件，才能滿足現有數據和模型規模繼續擴大的需求。現有的解決方案使用圖形處理單元(GPU)集群作為通用計算圖形處理單元(GPGPU)，但現場可編程門陣列(FPGA)提供了另一個值得探究的解決方案。日漸流行的FPGA設計工具使其對深度學習領域經常使用的上層軟件兼容性更強，使得FPGA更容易為模型搭建和部署者所用。FPGA架構靈活，使得研究者能夠在諸如GPU的固定架構之外進行模型優化探究。同時，FPGA在單位能耗下性能更強，這對大規模服務器部署或資源有限的嵌入式應用的研究而言至關重要。本文從硬件加速的視角考察深度學習與FPGA，指出有哪些趨勢和創新使得這些技術相互匹配，并激發對FPGA如何幫助深度學習領域發展的探討。
1.簡介
機器學習對日常生活影響深遠。無論是在網站上點擊個性化推薦內容、在智能手機上使用語音溝通，或利用面部識別技術來拍照，都用到了某種形式的人工智能技術。這股人工智能的新潮流也伴隨著算法設計的理念轉變。過去基于數據的機器學習大多是利用具體領域的專業知識來人工地“塑造”所要學習的“特征”，計算機從大量示例數據中習得組合特征提取系統的能力，則使得計算機視覺、語音識別和自然語言處理等關鍵領域實現了重大的性能突破。對這些數據驅動技術的研究被稱為深度學習，如今正受到技術界兩個重要群體的關注：一是希望使用并訓練這些模型、從而實現極高性能跨任務計算的研究者，二是希望為現實世界中的新應用來部署這些模型的應用科學家。然而，他們都面臨著一個限制條件，即硬件加速能力仍需加強，才可能滿足擴大現有數據和算法規模的需求。
