隨著人工智能（AI）的不斷發展，它已經從早期的人工特征工程進化到現在可以從海量數據中學習，機器視覺、語音識別以及自然語言處理等領域都取得了重大突破。CNN（Convolutional Neural Network，卷積神經網絡）在人工智能領域受到越來越多的青睞，它是深度學習技術中極具代表性的網絡結構之一，尤其在圖像處理領域取得了很大的成功。隨著網絡變得越來越大、越來越復雜，我們需要大量的計算資源來對其進行訓練，因此人們紛紛將注意力轉向FPGA（Field Programmable Gate Array，現場可編程門陣列）器件，FPGA不僅具有軟件的可編程性和靈活性，同時又有ASIC高吞吐和低延遲的特性，而且由于具有豐富的I/O接口，FPGA還非常適合用作協議和接口轉換的芯片。

近日KORTIQ公司推出了一款Xilinx FPGA的CNN加速器IP——AIScale，它能夠利用實現訓練好的CNN網絡，比如行業標準的ResNet、AlexNet、Tiny Yolo和VGG-16等，并將它們進行壓縮輸出二進制描述文件，可以部署到Xilinx全系列可編程邏輯器件上。Zynq SoC和Zynq UltraScale+ MPSoC器件PS可以提供數據給AIScale CNN加速器（PL），經過分類處理將輸出數據給PS。壓縮后的CNN網絡占用資源相對小很多，可以部署在片上存儲器中，可以更快更靈活的切換CNN網絡。

圖1：AIScale在計算機視覺應用案例示意圖

AIScale加速器的核心是AIScale RCC（Re-configurable Compute Core），用戶根據需求可以靈活自定義AIScale RCC模塊的數量，AIScale RCC支持卷積預處理、池化/采樣、加權和全連接層等處理。資源更豐富的Zynq SoC和UltraScale+ MPSoC可以集成更多的AIScale RCC模塊，這會給AIScale加速器帶來更大的性能提升。當然也可以根據成本、系統功耗、性能需求集成一定的AIScale RCC模塊，選擇合適的Xilinx FPGA器件。

圖2：多個 AIScale RCC模塊級聯連接

KORTIQ公司目前專注于嵌入式和計算機視覺領域，設計工業4.0和物聯網（IoT）等，未來將會為AIScale CNN加速器提供更多更先進的特性，比如圖像分類、物體識別和追蹤、人臉和語音識別、自然語言處理等，將先進的人工智能網絡應用到自動化生產、控制等場景中，提高相關行業的生產力為用戶帶來更好的服務。