亚洲综合在线播放_久久视频免费在线_久久久黄色av_亚洲免费视频一区

YASKAWA JANCD-MMM01  

YASKAWA JANCD-MMM01

FPGA，即現場可編程門陣列，它是在 PAL、GAL、CPLD 等可編程器件的基礎上進一步發展的產物。FPGA 芯片主要由 6 部分完成，分別為：可編程輸入輸出單元、基本可編程邏輯單元、完整的時鐘管理、嵌入塊式 RAM、豐富的布線資源、內嵌的底層功能單元和內嵌專用硬件模塊。

FPGA 還具有靜態可重復編程和動態在系統重構的特性，使得硬件的功能可以像軟件一樣通過編程來修改。FPGA能完成任何數字器件的功能，甚至是高性能 CPU 都可以用 FPGA 來實現。

FPGA 擁有大量的可編程邏輯單元，可以根據客戶定制來做針對性的算法設計。除此以外，在處理海量數據的時候，FPGA 相比于 CPU 和 GPU，獨到的優勢在于：FPGA 更接近 IO。換句話說，FPGA是硬件底層的架構。

比如，數據采用 GPU 計算，它先要進入內存，并在 CPU 指令下拷入 GPU 內存，在那邊執行結束后再拷到內存被 CPU 繼續處理，這過程并沒有時間優勢；

雖然 FPGA 的頻率一般比 CPU 低，但 CPU 是通用處理器，做某個特定運算（如信號處理，圖像處理）可能需要很多個時鐘周期，而 FPGA 可以通過編程重組電路，直接生成專用電路，加上電路并行性，可能做這個特定運算只需要一個時鐘周期。

比如一般 CPU 每次只能處理 4 到 8 個指令，在 FPGA 上使用數據并行的方法可以每次處理 256 個或者更多的指令，讓FPGA可以處理比CPU多很多的數據量。

舉個例子，CPU 主頻 3GHz，FPGA主頻 200MHz，若做某個特定運算 CPU 需要 30 個時鐘周期，FPGA 只需一個，則耗時情況：CPU：30/3GHz ＝10ns；FPGA：1/200MHz ＝5ns。可以看到，FPGA 做這個特定運算速度比 CPU 塊，能幫助加速。

北京大學與加州大學的一個關于 FPGA 加速深度學習算法的合作研究。展示了 FPGA 與 CPU 在執行深度學習算法時的耗時對比。在運行一次迭代時，使用 CPU 耗時 375 毫秒，而使用 FPGA 只耗時 21 毫秒，取得了18倍左右的加速比。

FPGA 相對于 CPU 與 GPU 有明顯的能耗優勢，主要有兩個原因。首先，在 FPGA 中沒有取指令與指令譯碼操作， 在 Intel 的 CPU 里面，由于使用的是 CISC 架構，僅僅譯碼就占整個芯片能耗的 50%；

在 GPU 里面，取指令與譯碼也消耗了 10%～20%的能耗。其次，FPGA 的主頻比 CPU 與 GPU 低很多，通常 CPU 與 GPU 都在 1GHz 到 3GHz 之間，而 FPGA 的主頻一般在 500MHz 以下。如此大的頻率差使得 FPGA 消耗的能耗遠低于 CPU 與 GPU。

FPGA與CPU在執行深度學習算法時的耗能對比。在執行一次深度學習運算，使用 CPU 耗能 36 焦，而使用 FPGA 只耗能 10 焦，取得了 3.5 倍左右的節能比。通過用 FPGA 加速與節能，讓深度學習實時計算更容易在移動端運行。

相比CPU和GPU，FPGA 憑借比特級細粒度定制的結構、流水線并行計算的能力和高效的能耗，在深度學習應用中展現出獨特的優勢，在大規模服務器部署或資源受限的嵌入式應用方面有巨大潛力。此外，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。

5、ASIC簡介

ASIC（專用集成電路），是指應特定用戶要求或特定電子系統的需要而設計、制造的集成電路。嚴格意義上來講，ASIC 是一種專用芯片，與傳統的通用芯片有一定的差異。是為了某種特定的需求而專門定制的芯片。

ASIC 作為集成電路技術與特定用戶的整機或系統技術緊密結合的產物，與通用集成電路相比，具有以下幾個方面的優越性：體積更小、功耗更低、可靠性提高、性能提高、保密性增強、成本降低。回到深度學習最重要的指標：算力和功耗。我們對比 NVIDIA 的 GK210 和某 ASIC 芯片規劃的指標，如下所示：

從算力上來說，ASIC 產品的計算能力是 GK210 的 2.5 倍。第二個指標是功耗， 功耗做到了 GK210 的 1/15。第三個指標是內部存儲容量的大小及帶寬。這個內部 MEMORY 相當于 CPU 上的 CACHE。

深度雪地的模型比較大，通常能夠到幾百 MB 到 1GB 左右，會被頻繁的讀出來，如果模型放在片外的 DDR 里邊，對 DDR 造成的帶寬壓力通常會到 TB/S 級別。

全定制設計的ASIC，因為其自身的特性，相較于非定制芯片，擁有以下幾個優勢：

同樣工藝，同樣功能，第一次采用全定制設計性能提高 7.6 倍

普通設計，全定制和非全定制的差別可能有 1～2 個數量級的差異

采用全定制方法可以超越非全定制 4 個工藝節點（采用 28nm 做的全定制設計，可能比 5nm 做的非全定制設計還要好）我們認為，ASIC 的優勢，在人工智能深度學習領域，具有很大的潛力。

ASIC 在人工智能深度學習方面的應用還不多，但是我們可以拿礦機芯片的發展做類似的推理。挖礦和人工智能深度學習有類似之處，都是依賴于底層的芯片進行大規模的并行計算。而 ASIC 在挖礦領域，展現出了得天獨厚的優勢。

礦機的芯片經歷了四個階段：CPU、GPU、FPGA 和 ASIC。ASIC 芯片是專為挖礦量身定制的芯片，它將 FPGA 芯片中在挖礦時不會使用的功能去掉，與同等工藝的 FPGA 芯片相比執行速度塊，大規模生產后的成本也要低于 FPGA 芯片。

從 ASIC 在挖礦機時代的發展歷史，可以看出 ASIC 在專用并行計算領域所具有的得天獨厚的優勢：算力高，功耗低，價格低，專用性強。谷歌最近曝光的專用于人工智能深度學習計算的TPU、其實也是一款 ASIC。

YASKAWA JANCD-MMM01