本文我們就來分析目前主流的深度學(xué)習(xí)芯片的優(yōu)缺點(diǎn)。

　　CPU 不適合深度學(xué)習(xí)

　　深度學(xué)習(xí)與傳統(tǒng)計算模式最大的區(qū)別就是不需要編程，它是從輸入的大量數(shù)據(jù)中自發(fā)地總結(jié)出規(guī)律，而傳統(tǒng)計算模式更多都需要人為提取所需解決問題的特征或者總結(jié)規(guī)律來進(jìn)行編程。也正因?yàn)槿绱耍疃葘W(xué)習(xí)對計算能力要求非常高，以至于有人將深度學(xué)習(xí)稱之為“暴力計算”。

　　因此，傳統(tǒng)的 CPU 并不適用于深度學(xué)習(xí)。

　　從內(nèi)部結(jié)構(gòu)上來看，CPU 中 70%晶體管都是用來構(gòu)建 Cache（高速緩沖存儲器）和一部分控制單元，負(fù)責(zé)邏輯運(yùn)算的部分（ALU 模塊）并不多?？刂茊卧饶K的存在都是為了保證指令能夠一條接一條的有序執(zhí)行。

　　這種通用性結(jié)構(gòu)對于傳統(tǒng)的編程計算模式非常適合，但對于并不需要太多的程序指令，卻需要海量數(shù)據(jù)運(yùn)算的深度學(xué)習(xí)的計算需求，這種結(jié)構(gòu)就顯得有心無力了。

　　GPU 深度學(xué)習(xí)主流芯片

　　與 CPU 少量的邏輯運(yùn)算單元相比，GPU 整個就是一個龐大的計算矩陣，GPU 具有數(shù)以千計的計算核心、可實(shí)現(xiàn) 10-100 倍應(yīng)用吞吐量，而且它還支持對深度學(xué)習(xí)至關(guān)重要的并行計算能力，可以比傳統(tǒng)處理器更加快速，大大加快了訓(xùn)練過程。GPU 是目前最普遍采用的深度學(xué)習(xí)運(yùn)算單元之一。

　　目前，谷歌、Facebook、微軟、Twitter 和百度等互聯(lián)網(wǎng)巨頭，都在使用 GPU 作為其深度學(xué)習(xí)載體，讓服務(wù)器學(xué)習(xí)海量的照片、視頻、聲音文檔，以及社交媒體上的信息，來改善搜索和自動化照片標(biāo)記等各種各樣的軟件功能。而某些汽車制造商也在利用這項(xiàng)技術(shù)開發(fā)無人駕駛汽車。

　　不過，由于 GPU 的設(shè)計初衷是為了應(yīng)對圖像處理中需要大規(guī)模并行計算。因此，根據(jù)樂晴智庫介紹，其在應(yīng)用于深度學(xué)習(xí)算法時有數(shù)個方面的局限性：

　　第一， 應(yīng)用過程中無法充分發(fā)揮并行計算優(yōu)勢。深度學(xué)習(xí)包含訓(xùn)練和應(yīng)用兩個計算環(huán)節(jié)，GPU 在深度學(xué)習(xí)算法訓(xùn)練上非常高效，但在應(yīng)用時一次性只能對于一張輸入圖像進(jìn)行處理， 并行度的優(yōu)勢不能完全發(fā)揮。

　　第二， 硬件結(jié)構(gòu)固定不具備可編程性。深度學(xué)習(xí)算法還未完全穩(wěn)定，若深度學(xué)習(xí)算法發(fā)生大的變化，GPU 無法靈活的配置硬件結(jié)構(gòu)。

　　另外，在能耗上面，雖然 GPU 要好于 CPU，但其能耗仍舊很大。

　　備受看好的 FPGA

　　FPGA，即現(xiàn)場可編輯門陣列，是一種新型的可編程邏輯器件，由于其具有靜態(tài)可重復(fù)編程和動態(tài)在系統(tǒng)重構(gòu)的特性，使得硬件的功能可以像軟件一樣通過編程來修改。

　　FPGA 作為人工智能深度學(xué)習(xí)方面的計算工具，主要原因就在于其本身特性：可編程專用性，高性能，低功耗。

相關(guān)電子資料下載

• 怎樣解決霍爾搖桿耗電量大的問題？揭秘霍爾芯片的選型要求 55
• Blackwell GB100能否在超級計算機(jī)和AI市場保持領(lǐng)先優(yōu)勢？ 174
• 淺析BUCK芯片在電路中的應(yīng)用及特點(diǎn) 55
• OTA語音芯片NV040C在智能電動牙刷的應(yīng)用 59
• 新思科技面向臺積公司N5A工藝技術(shù)推出領(lǐng)先的廣泛車規(guī)級IP組合 184
• 使用半大馬士革工藝流程研究后段器件集成的工藝 59
• 國產(chǎn)運(yùn)放和溫度傳感器介紹 50
• 首批高通驍龍8 Gen3旗艦入網(wǎng) 274
• 推出適用于兄弟TN3625/TN3625XL系列激光兼容芯片 81
• 梳理一下車規(guī)級IGBT模塊封裝趨勢 166