zui近幾年數(shù)據(jù)量和可訪問性的迅速增長，使得人工智能的算法設(shè)計理念發(fā)生了轉(zhuǎn)變。人工建立算法的做法被計算機從大量數(shù)據(jù)中自動習(xí)得可組合系統(tǒng)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(guān)鍵領(lǐng)域都出現(xiàn)了重大突破。深度學(xué)習(xí)是這些領(lǐng)域中所zui常使用的技術(shù)，也被業(yè)界大為關(guān)注。然而，深度學(xué)習(xí)模型需要極為大量的數(shù)據(jù)和計算能力，只有更好的硬件加速條件，才能滿足現(xiàn)有數(shù)據(jù)和模型規(guī)模繼續(xù)擴大的需求。現(xiàn)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(xiàn)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(shè)計工具使其對深度學(xué)習(xí)領(lǐng)域經(jīng)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(gòu)靈活，使得研究者能夠在諸如GPU的固定架構(gòu)之外進行模型優(yōu)化探究。同時，F(xiàn)PGA在單位能耗下性能更強，這對大規(guī)模服務(wù)器部署或資源有限的嵌入式應(yīng)用的研究而言至關(guān)重要。本文從硬件加速的視角考察深度學(xué)習(xí)與FPGA，指出有哪些趨勢和創(chuàng)新使得這些技術(shù)相互匹配，并激發(fā)對FPGA如何幫助深度學(xué)習(xí)領(lǐng)域發(fā)展的探討。

1.簡介

機器學(xué)習(xí)對日常生活影響深遠。無論是在上點擊個性化推薦內(nèi)容、在智能手機上使用語音溝通，或利用面部識別技術(shù)來拍照，都用到了某種形式的人工智能技術(shù)。這股人工智能的新潮流也伴隨著算法設(shè)計的理念轉(zhuǎn)變。過去基于數(shù)據(jù)的機器學(xué)習(xí)大多是利用具體領(lǐng)域的專業(yè)知識來人工地“塑造”所要學(xué)習(xí)的“特征”，計算機從大量示例數(shù)據(jù)中習(xí)得組合特征提取系統(tǒng)的能力，則使得計算機視覺、語音識別和自然語言處理等關(guān)鍵領(lǐng)域?qū)崿F(xiàn)了重大的性能突破。對這些數(shù)據(jù)驅(qū)動技術(shù)的研究被稱為深度學(xué)習(xí)，如今正受到技術(shù)界兩個重要群體的關(guān)注：一是希望使用并訓(xùn)練這些模型、從而實現(xiàn)極高性能跨任務(wù)計算的研究者，二是希望為現(xiàn)實世界中的新應(yīng)用來部署這些模型的應(yīng)用科學(xué)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(xiàn)有數(shù)據(jù)和算法規(guī)模的需求。

對于深度學(xué)習(xí)來說，目前硬件加速主要靠使用圖形處理單元（GPU）集群作為通用計算圖形處理單元（GPGPU）。相比傳統(tǒng)的通用處理器（GPP），GPU的核心計算能力要多出幾個數(shù)量級，也更容易進行并行計算。尤其是NVIDIACUDA，作為zui主流的GPGPU編寫平臺，各個主要的深度學(xué)習(xí)工具均用其來進行GPU加速。zui近，開放型并行程序設(shè)計標準OpenCL作為異構(gòu)硬件編程的替代性工具備受關(guān)注，而對這些工具的熱情也在高漲。雖然在深度學(xué)習(xí)領(lǐng)域內(nèi)，OpenCL獲得的支持相較CUDA還略遜一籌，但OpenCL有兩項獨特的性能。首先，OpenCL對開源、免費，不同于CUDA單一供應(yīng)商的做法。其次，OpenCL支持一系列硬件，包括GPU、GPP、現(xiàn)場可編程門陣列（FPGA）和數(shù)字信號處理器（DSP）。

1.1.FPGA

作為GPU在算法加速上強有力的競爭者，F(xiàn)PGA是否立即支持不同硬件，顯得尤為重要。FPGA與GPU不同之處在于硬件配置靈活，且FPGA在運行深入學(xué)習(xí)中關(guān)鍵的子程序（例如對滑動窗口的計算）時，單位能耗下通常能比GPU提供更好的表現(xiàn)。不過，設(shè)置FPGA需要具體硬件的知識，許多研究者和應(yīng)用科學(xué)家并不具備，正因如此，F(xiàn)PGA經(jīng)常被看作一種行家專屬的架構(gòu)。zui近，F(xiàn)PGA工具開始采用包括OpenCL在內(nèi)的軟件級編程模型，使其越來越受經(jīng)主流軟件開發(fā)訓(xùn)練的用戶青睞。

對考察一系列設(shè)計工具的研究者而言，其對工具的篩選標準通常與其是否具備用戶友好的軟件開發(fā)工具、是否具有靈活可升級的模型設(shè)計方法以及是否能迅速計算、以縮減大模型的訓(xùn)練時間有關(guān)。隨著FPGA因為高抽象化設(shè)計工具的出現(xiàn)而越來越容易編寫，其可重構(gòu)性又使得定制架構(gòu)成為可能，同時高度的并行計算能力提高了指令執(zhí)行速度，F(xiàn)PGA將為深度學(xué)習(xí)的研究者帶來好處。

對應(yīng)用科學(xué)家而言，盡管有類似的工具級選擇，但硬件挑選的重點在于zui大化提高單位能耗的性能，從而為大規(guī)模運行降低成本。所以，F(xiàn)PGA憑借單位能耗的強勁性能，加上為特定應(yīng)用定制架構(gòu)的能力，就能讓深度學(xué)習(xí)的應(yīng)用科學(xué)家受益。

FPGA能滿足兩類受眾的需求，是一個合乎邏輯的選擇。本文考察FPGA上深度學(xué)習(xí)的現(xiàn)狀，以及目前用于填補兩者間鴻溝的技術(shù)發(fā)展。因此，本文有三個重要目的。首先，指出深度學(xué)習(xí)領(lǐng)域存在探索全新硬件加速平臺的機會，而FPGA是一個理想的選擇。其次，勾勒出FPGA支持深度學(xué)習(xí)的現(xiàn)狀，指出潛在的限制。zui后，對FPGA硬件加速的未來方向提出關(guān)鍵建議，幫助解決今后深度學(xué)習(xí)所面臨的問題。

2.FPGA

傳統(tǒng)來說，在評估硬件平臺的加速時，必須考慮到靈活性和性能之間的權(quán)衡。一方面，通用處理器（GPP）可提供高度的靈活性和易用性，但性能相對缺乏效率。這些平臺往往更易于獲取，可以低廉的價格生產(chǎn)，并且適用于多種用途和重復(fù)使用。另一方面，專用集成電路（ASIC）可提供高性能，但代價是不夠靈活且生產(chǎn)難度更大。這些電路專用于某特定的應(yīng)用程序，并且生產(chǎn)起來價格昂貴且耗時。

FPGA是這兩個極端之間的折中。FPGA屬于一類更通用的可編程邏輯設(shè)備（PLD），并且簡單來說，是一種可重新配置的集成電路。因此，F(xiàn)PGA既能提供集成電路的性能優(yōu)勢，又具備GPP可重新配置的靈活性。FPGA能夠簡單地通過使用觸發(fā)器（FF）來實現(xiàn)順序邏輯，并通過使用查找表（LUT）來實現(xiàn)組合邏輯?，F(xiàn)代的FPGA還含有硬化組件以實現(xiàn)一些常用功能，例如全處理器內(nèi)核、通信內(nèi)核、運算內(nèi)核和塊內(nèi)存（BRAM）。另外，目前的FPGA趨勢趨向于系統(tǒng)芯片（SoC）設(shè)計方法，即ARM協(xié)處理器和FPGA通常位于同一芯片中。目前的FPGA市場由Xilinx主導(dǎo)，占據(jù)超過85%的市場份額。此外，F(xiàn)PGA正迅速取代ASIC和應(yīng)用專用標準產(chǎn)品（ASSP）來實現(xiàn)固定功能邏輯。FPGA市場規(guī)模預(yù)計在2016年將達到100億美元。

對于深度學(xué)習(xí)而言，F(xiàn)PGA提供了優(yōu)于傳統(tǒng)GPP加速能力的顯著潛力。GPP在軟件層面的執(zhí)行依賴于傳統(tǒng)的馮·諾依曼架構(gòu)，指令和數(shù)據(jù)存儲于外部存儲器中，在需要時再取出。這推動了緩存的出現(xiàn)，大大減輕了昂貴的外部存儲器操作。該架構(gòu)的瓶頸是處理器和存儲器之間的通信，這嚴重削弱了GPP的性能，尤其影響深度學(xué)習(xí)經(jīng)常需要獲取的存儲信息技術(shù)。

相比較而言，F(xiàn)PGA的可編程邏輯原件可用于實現(xiàn)普通邏輯功能中的數(shù)據(jù)和控制路徑，而不依賴于馮·諾伊曼結(jié)構(gòu)。它們也能夠利用分布式片上存儲器，以及深度利用流水線并行，這與前饋性深度學(xué)習(xí)方法自然契合?，F(xiàn)代FPGA還支持部分動態(tài)重新配置，當FPGA的一部分被重新配置時另一部分仍可使用。這將對大規(guī)模深度學(xué)習(xí)模式產(chǎn)生影響，F(xiàn)PGA的各層可進行重新配置，而不擾亂其他層正在進行的計算。這將可用于無法由單個FPGA容納的模型，同時還可通過將中間結(jié)果保存在本地存儲以降低高昂的全球存儲讀取費用。

zui重要的是，相比于GPU，F(xiàn)PGA為硬件加速設(shè)計的探索提供了另一個視角。GPU和其它固定架構(gòu)的設(shè)計是遵循軟件執(zhí)行模型，并圍繞自主計算單元并行以執(zhí)行任務(wù)搭建結(jié)構(gòu)。由此，為深度學(xué)習(xí)技術(shù)開發(fā)GPU的目標就是使算法適應(yīng)這一模型，讓計算并行完成、確保數(shù)據(jù)相互依賴。與此相反，F(xiàn)PGA架構(gòu)是為應(yīng)用程序?qū)ｉT定制的。在開發(fā)FPGA的深度學(xué)習(xí)技術(shù)時，較少強調(diào)使算法適應(yīng)某固定計算結(jié)構(gòu)，從而留出更多的自由去探索算法層面的優(yōu)化。需要很多復(fù)雜的下層硬件控制操作的技術(shù)很難在上層軟件語言中實現(xiàn)，但對FPGA執(zhí)行卻特別具有吸引力。然而，這種靈活性是以大量編譯（定位和回路）時間為成本的，對于需要通過設(shè)計循環(huán)快速迭代的研究人員來說這往往會是個問題。

除了編譯時間外，吸引偏好上層編程語言的研究人員和應(yīng)用科學(xué)家來開發(fā)FPGA的問題尤為艱難。雖然能流利使用一種軟件語言常常意味著可以輕松地學(xué)習(xí)另一種軟件語言，但對于硬件語言翻譯技能來說卻非如此。針對FPGAzui常用的語言是Verilog和VHDL，兩者均為硬件描述語言（HDL）。這些語言和傳統(tǒng)的軟件語言之間的主要區(qū)別是，HDL只是單純描述硬件，而例如C語言等軟件語言則描述順序指令，并無需了解硬件層面的執(zhí)行細節(jié)。有效地描述硬件需要對數(shù)字化設(shè)計和電路的專業(yè)知識，盡管一些下層的實現(xiàn)決定可以留給自動合成工具去實現(xiàn)，但往往無法達到的設(shè)計。因此，研究人員和應(yīng)用科學(xué)家傾向于選擇軟件設(shè)計，因其已經(jīng)非常成熟，擁有大量抽象和便利的分類來提高程序員的效率。這些趨勢使得FPGA領(lǐng)域目前更加青睞高度抽象化的設(shè)計工具。

FPGA深度學(xué)習(xí)研究里程碑：

1987VHDL成為IEEE標準

1992GANGLION成為*FPGA神經(jīng)網(wǎng)絡(luò)硬件實現(xiàn)項目（Coxetal.）

1994Synopsys推出*代FPGA行為綜合方案

1996VIP成為*FPGA的CNN實現(xiàn)方案（Cloutieretal.）

2005FPGA市場價值接近20億美元

2006利用BP算法在FPGA上實現(xiàn)5GOPS的處理能力

2011Altera推出OpenCL，支持FPGA

出現(xiàn)大規(guī)模的基于FPGA的CNN算法研究（Farabetetal.）

2016在微軟Catapult項目的基礎(chǔ)上，出現(xiàn)基于FPGA的數(shù)據(jù)中心CNN算法加速（Ovtcharovetal.）　　　　4.未來展望

深度學(xué)習(xí)的未來不管是就FPGA還是總體而言，主要取決于可擴展性。要讓這些技術(shù)成功解決未來的問題，必須要拓展到能夠支持飛速增長的數(shù)據(jù)規(guī)模和架構(gòu)。FPGA技術(shù)正在適應(yīng)這一趨勢，而硬件正朝著更大內(nèi)存、更少的特征點數(shù)量、更好的互連性發(fā)展，來適應(yīng)FPGA多重配置。英特爾收購了Altera，IBM與Xilinx合作，都昭示著FPGA領(lǐng)域的變革，未來也可能很快看到FPGA與個人應(yīng)用和數(shù)據(jù)中心應(yīng)用的整合。另外，算法設(shè)計工具可能朝著進一步抽象化和體驗軟件化的方向發(fā)展，從而吸引更廣技術(shù)范圍的用戶。

4.1.常用深度學(xué)習(xí)軟件工具

在深度學(xué)習(xí)zui常用的軟件工具中，有些工具已經(jīng)在支持CUDA的同時，認識到支持OpenCL的必要性。這將使得FPGA更容易實現(xiàn)深度學(xué)習(xí)的目的。雖然據(jù)我們所知，目前沒有任何深度學(xué)習(xí)工具明確表示支持FPGA，不過下面的表格列出了哪些工具正朝支持OpenCL方向發(fā)展：

Caffe，由伯克利視覺與學(xué)習(xí)中心開發(fā)，其GreenTea項目對OpenCL提供非正式支持。Caffe另有支持OpenCL的AMD版本。　　　　Torch，基于Lua語言的科學(xué)計算框架，使用范圍廣，其項目CLTorch對OpenCL提供非正式支持?！　　　heano，由蒙特利爾大學(xué)開發(fā)，其正在研發(fā)的gpuarray后端對OpenCL提供非正式支持。

DeepCL，由HughPerkins開發(fā)的OpenCL庫，用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。

對于剛進入此領(lǐng)域、希望選擇工具的人來說，我們的建議是從Caffe開始，因為它十分常用，支持性好，用戶界面簡單。利用Caffe的modelzoo庫，也很容易用預(yù)先訓(xùn)練好的模型進行試驗。

4.2.增加訓(xùn)練自由度

有人或許以為訓(xùn)練機器學(xué)習(xí)算法的過程是完全自動的，實際上有一些超參數(shù)需要調(diào)整。對于深度學(xué)習(xí)尤為如此，模型在參數(shù)量上的復(fù)雜程度經(jīng)常伴隨著大量可能的超參數(shù)組合。可以調(diào)整的超參數(shù)包括訓(xùn)練迭代次數(shù)、學(xué)習(xí)速率、批梯度尺寸、隱藏單元數(shù)和層數(shù)等等。調(diào)整這些參數(shù)，等于在所有可能的模型中，挑選zui適用于某個問題的模型。傳統(tǒng)做法中，超參數(shù)的設(shè)置要么依照經(jīng)驗，要么根據(jù)系統(tǒng)網(wǎng)格搜索或更有效的隨機搜索來進行。zui近研究者轉(zhuǎn)向了適應(yīng)性的方法，用超參數(shù)調(diào)整的嘗試結(jié)果為配置依據(jù)。其中，貝葉斯優(yōu)化是zui常用的方法。

不管用何種方法調(diào)整超參數(shù)，目前利用固定架構(gòu)的訓(xùn)練流程在某種程度上局限了模型的可能性，也就是說，我們或許只在所有的解決方案中管窺了一部分。固定架構(gòu)讓模型內(nèi)的超參數(shù)設(shè)置探究變得很容易（比如，隱藏單元數(shù)、層數(shù)等），但去探索不同模型間的參數(shù)設(shè)置變得很難（比如，模型類別的不同），因為如果要就一個并不簡單符合某個固定架構(gòu)的模型來進行訓(xùn)練，就可能要花很長時間。相反，F(xiàn)PGA靈活的架構(gòu)，可能更適合上述優(yōu)化類型，因為用FPGA能編寫一個完全不同的硬件架構(gòu)并在運行時加速。

4.3.Low power compute clusters低耗能計算節(jié)點集群

深度學(xué)習(xí)模型zui讓人著迷的就是其拓展能力。不管是為了從數(shù)據(jù)中發(fā)現(xiàn)復(fù)雜的高層特征，還是為數(shù)據(jù)中心應(yīng)用提升性能，深度學(xué)習(xí)技術(shù)經(jīng)常在多節(jié)點計算基礎(chǔ)架構(gòu)間進行拓展。目前的解決方案使用具備Infiniband互連技術(shù)的GPU集群和MPI，從而實現(xiàn)上層的并行計算能力和節(jié)點間數(shù)據(jù)的快速傳輸。然而，當大規(guī)模應(yīng)用的負載越來越各不相同，使用FPGA可能會是更優(yōu)的方法。FPGA的可編程行允許系統(tǒng)根據(jù)應(yīng)用和負載進行重新配置，同時FPGA的能耗比高，有助于下一代數(shù)據(jù)中心降低成本。

5.結(jié)語

相比GPU和GPP，F(xiàn)PGA在滿足深度學(xué)習(xí)的硬件需求上提供了具有吸引力的替代方案。憑借流水線并行計算的能力和的能耗，F(xiàn)PGA將在一般的深度學(xué)習(xí)應(yīng)用中展現(xiàn)GPU和GPP所沒有的獨特優(yōu)勢。同時，算法設(shè)計工具日漸成熟，如今將FPGA集成到常用的深度學(xué)習(xí)框架已成為可能。未來，F(xiàn)PGA將有效地適應(yīng)深度學(xué)習(xí)的發(fā)展趨勢，從架構(gòu)上確保相關(guān)應(yīng)用和研究能夠自由實現(xiàn)。

來源：智能制造網(wǎng)