如今，基于深度學(xué)習（DL）的人工智能（AI）應(yīng)用越來越廣泛，不論是在與個人消費者相關(guān)的智能家居、智能駕駛等領(lǐng)域，還是在視頻監(jiān)控、智慧城市等公共管理領(lǐng)域，我們都能看到其身影。

眾所周知，實施一個完整的 AI 應(yīng)用需要經(jīng)歷訓(xùn)練和推理兩個過程。所謂“訓(xùn)練”，就是我們要將大量的數(shù)據(jù)代入到神經(jīng)網(wǎng)絡(luò)模型中運算并反復(fù)迭代，“教會”算法模型如何正確的工作，訓(xùn)練出一個 DL 模型。而接下來，我們就可以利用訓(xùn)練出來的模型來在線響應(yīng)用戶的需求，根據(jù)輸入的新數(shù)據(jù)做出正確而及時的決策判斷，這個過程就是“推理”。

通常來講，一個 AI 應(yīng)用中“訓(xùn)練”只需要做一次——有時這個工作會交給第三方專業(yè)的且有充沛算力資源的團隊去做，而應(yīng)用開發(fā)工程師要做的則是將訓(xùn)練好的模型部署到特定的硬件平臺上，滿足目標應(yīng)用場景中推理過程的需要。由于推理過程會直接聯(lián)系最終用戶，推理的準確性和速度也會直接影響到用戶體驗的好壞，因此如何有效地為 AI 推理做加速，也就成了當下開發(fā)者普遍關(guān)心的一個熱門的話題。

AI 推理加速，FPGA 勝出！

從硬件架構(gòu)來看，可以支持 AI 推理加速的有四個可選方案，它們分別是：CPU、GPU、FPGA 和 ASIC，如果對這幾類器件的特性進行比較，會發(fā)現(xiàn)按照從左到右的順序，器件的靈活性 / 適應(yīng)性是遞減的，而處理能力和性能功耗比則是遞增的。

CPU 是基于馮?諾依曼架構(gòu)，雖然其很靈活，但由于存儲器訪問往往要耗費幾個時鐘周期才能執(zhí)行一個簡單的任務(wù)，延遲會很長，應(yīng)對神經(jīng)網(wǎng)絡(luò)（NN）這種計算密集型的任務(wù)，功耗也會比較大，顯然最不適合做 AI 推理。

GPU 具有強大的數(shù)據(jù)并行處理能力，在做海量數(shù)據(jù)訓(xùn)練方面優(yōu)勢明顯，而推理計算通常一次只對一個輸入項進行處理的應(yīng)用，GPU 并行計算的優(yōu)勢發(fā)揮不出來，再加上其功耗相對較大，所以在 AI 推理方面也不是最優(yōu)選擇。

從高性能和低功耗的角度來看，定制的 ASIC 似乎是一種理想的解決方案，但其開發(fā)周期長、費用高，對于總是處于快速演進和迭代中的 DL 和 NN 算法來說，靈活性嚴重受限，風險太大，在 AI 推理中人們通常不會考慮它。

所以我們的名單上只剩下 FPGA 了。這些年來大家對于 FPGA 快速、靈活和高效的優(yōu)點認識越來越深入，硬件可編程的特性使其能夠針對 DL 和 NN 處理的需要做針對性的優(yōu)化，提供充足的算力，而同時又保持了足夠的靈活性。今天基于 FPGA 的異構(gòu)計算平臺，除了可編程邏輯，還會集成多個 Arm 處理器內(nèi)核、DSP、片上存儲器等資源，DL 所需的處理能力可以很好地映射到這些 FPGA 資源上，而且所有這些資源都可以并行工作 ，即每個時鐘周期可觸發(fā)多達數(shù)百萬個同時的操作，這對于 AI 推理是再合適不過了。

與 CPU 和 GPU 相比，F(xiàn)PGA 在 AI 推理應(yīng)用方面的優(yōu)勢還表現(xiàn)在：

不受數(shù)據(jù)類型的限制，比如它可以處理非標準的低精度數(shù)據(jù)，從而提高數(shù)據(jù)處理的吞吐量。

功耗更低，針對相同的 NN 計算，F(xiàn)PGA 與 CPU/GPU 相比平均功耗低 5~10 倍。

可通過重新編程以適應(yīng)不同任務(wù)的需要，這種靈活性對于適應(yīng)持續(xù)發(fā)展中的 DL 和 NN 算法尤為關(guān)鍵。

應(yīng)用范圍廣，從云端到邊緣端的 AI 推理工作，都可勝任。

總之一句話，在 AI 推理計算的競爭中，F(xiàn)PGA 的勝出沒有懸念。

GPU 無縫對接，F(xiàn)PGA 即插即用

不過，雖然 FPGA 看上去“真香”，但是很多 AI 應(yīng)用的開發(fā)者還是對其“敬而遠之”，究其原因最重要的一點就是——FPGA 上手使用太難了！

難點主要體現(xiàn)在兩個方面：

首先，對 FPGA 進行編程需要特定的技能和知識，要熟悉專門的硬件編程語言，還要熟練使用 FPGA 的特定工具，才能通過綜合、布局和布線等復(fù)雜的步驟來編譯設(shè)計。這對于很多嵌入式工程師來說，完全是一套他們所不熟悉的“語言”。

再有，因為很多 DL 模型是在 GPU 等計算架構(gòu)上訓(xùn)練出來的，這些訓(xùn)練好的模型移植、部署到 FPGA 上時，很可能會遇到需要重新訓(xùn)練和調(diào)整參數(shù)等問題，這要求開發(fā)者有專門的 AI 相關(guān)的知識和技能。

如何能夠降低大家在 AI 推理中使用 FPGA 的門檻？在這方面，Mipsology 公司給我們帶來了一個“驚喜”——該公司開發(fā)了一種基于 FPGA 的深度學(xué)習推理引擎 Zebra，可以讓開發(fā)者在“零努力（Zero Effort）”的情況下，對 GPU 訓(xùn)練的模型代碼進行轉(zhuǎn)換，使其能夠在 FPGA 上運行，而無需改寫任何代碼或者進行重新訓(xùn)練。

這也就意味著，調(diào)整 NN 參數(shù)甚至改變神經(jīng)網(wǎng)絡(luò)并不需要強制重新編譯 FPGA，而這些重新編譯工作可能需要花費數(shù)小時、數(shù)天，甚至更長時間?？梢哉f，Zebra 讓 FPGA 對于開發(fā)者成了“透明”的，他們可以在 NN 模型訓(xùn)練好之后，無縫地從 CPU 或 GPU 切換到 FPGA 進行推理，而無需花費更多的時間！

目前，Zebra 可以支持 Caffe、Caffe2、MXNet 和 TensorFlow 等主流 NN 框架。在硬件方面，Zebra 已經(jīng)可以完美地支持 Xilinx 的系列加速卡，如 Alveo U200、Alveo U250 和 Alveo U50 等。對于開發(fā)者來說，“一旦將 FPGA 板插入 PC，只需一個 Linux 命令”，F(xiàn)PGA 就能夠代替 CPU 或 GPU 立即進行無縫的推斷，可以在更低的功耗下將計算速度提高一個數(shù)量級。對用戶來說，這無疑是一種即插即用的體驗。

強強聯(lián)手，全生態(tài)支持

更好的消息是：為了能夠加速更多 AI 應(yīng)用的落地，安富利亞洲和 Mipsology 達成了合作協(xié)議，將向其亞太區(qū)客戶推廣和銷售 Mipsology 這一獨特的 FPGA 深度學(xué)習推理加速軟件 —— Zebra。

這對于合作的雙方無疑是一個雙贏的局面：對于 Mipsology 來說，可以讓 Zebra 這個創(chuàng)新的工具以更快的速度覆蓋和惠及更多的開發(fā)者；對安富利來說，此舉也進一步擴展了自身強大的物聯(lián)網(wǎng)生態(tài)系統(tǒng)，為客戶帶來更大的價值，為希望部署 DL 的客戶提供一整套全面的服務(wù)，包括硬件、軟件、系統(tǒng)集成、應(yīng)用開發(fā)、設(shè)計鏈和專業(yè)技術(shù)。

安富利推理加速成功應(yīng)用案例：智能網(wǎng)絡(luò)監(jiān)控平臺 AI Bluebox

審核編輯 黃昊宇