在深度學習領域，GPU加速是應用的主流。當然還有一些人會獨辟蹊徑的選擇一些“非主流”的產品，比如FPGA。

　　作為新興的加速代表，FPGA與人工智能這個名字緊緊的捆綁在一起，業界對于FPGA的前景也充滿期待。去年5月，英特爾宣布以167億美元收購FPGA生產商Altera，這也說明了這個芯片巨頭對于FPGA市場發展的強大信心。

　　但是，對于許多人來說，FPGA的意義何在，FPGA能夠應用于生產場景中，這些問題都是他們存在于心底的疑惑。而對于FPGA的許多，筆者日前有幸聆聽了英特爾PSG BDM部門劉斌博士的演講，對于FPGA的認識有了進一步的加深。

    FPGA存在的意義是什么?

　　用戶可以從Caffe或者從TensorFlow開始Machine Learning的設計，開始神經網絡CNN的設計，在設計之后不需要真的了解FPGA是怎么開發的，FPGA的板卡是怎么開發的，FPGA用什么樣的硬件描述語言，你就可以把你的神經網絡放進FPGA里，得到FPGA的速度和功耗上的優勢，這個是我們戰略里面，FPGA所扮演的角色。

　　為什么FPGA比較適合用于深度學習

　　首先FPGA是一個可編程的硬件，和我們大部分的處理器不同。因為處理器的硬件結構是固定的。FPGA雖然有非常穩定的底層結構但是我們可以組合成非常多類型的數字電路，并且在里面可以利用一些硬核構成一些相對比較高層的計算結構。

　　首先FPGA的能效比非常好，其次FPGA有非常好的可編程性，即使在線的情況下，你可以更新你的硬件結構。最后，FPGA本身因為具備類似I/O或者說片上系統的部分功能，可以提供一些基礎架構上的靈活性。

    英特爾的FPGA相關產品

　　英特爾(Altera)傳統來講是一個半導體的廠商，所以在FPGA這個產品線里面我們其實包括以下幾種類型產品。半導體這一側我們主要有叫Max的CPLD系列，Cyclone， Arria 和Stratix的FPGA產品系列，這個是從低到高的。

　　Cyclone是比較低端的，Arria在中間，Stratix是比較高端的產品系列。每個產品系列里面又有自己的不同的具體的型號， 按照規模來劃分，那應用的場景會不太一樣。

　　Cyclone可能是應用在更工業化的更嵌入設備應用的場景里，Arria是一個功耗成本和性能的一個平衡產品，Stratix是一個超強的計算能力的產品。我們今年年底正在推出Statix 10的工程樣片，第一個工程樣片它的浮點計算能力達到9.2個Tflop，9個Tflops的產品。

　　Enpirion是我們另外一條產品線，主要是支持一個非常小尺寸的電源的工作，在server或者是在計算領域有很大應用。但產品來講除了器件以外，我們包括了開發工具，也包括板卡和IP。

　　如何利用一顆FPGA實現CNN加速

　　我們選擇CNN作為第一個切入點，因為CNN的網絡運用非常廣泛;另外CNN的網絡也是深度學習一個典型的情況，會不停地往前演進。

　　FPGA效率達到最高的基本原則是，我里面剛剛講到的乘加單元、存儲器單元，他們能夠盡可能的被使用到。

　　FPGA在CNN領域面臨的3大挑戰

　　因為FPGA還很新，那進入這個市場第一個挑戰是怎么樣讓FPGA工作起來。

　　第二個挑戰是機器學習是一個快變的一個技術領域，所以他的生態壞境、社區、軟件都是非常重要的一個方面。那我們作為后來者，特別是跟這種FPGA的團隊

　　第三個是FPGA還有一些原生的特點，比如開發周期是比較長。

　　在演講的最后，在談到為何今天應該采用英特爾FPGA來實現深度學習的時候，劉斌表示：“英特爾FPGA是技術和價值之選;英特爾機器學習戰略將先進的器件(包括FPGA)與優化的軟件庫，高階的框架，以及數據分析平臺整合在一起;英特爾FPGA支持高效的OpenCL編程。”