神經網絡起源于上世紀五六十年代，當時還叫感知機，分為輸入層、隱含層和輸出層。輸入的特征向量通過隱含層變換達到輸出層，在輸出層得到分類結果。早期的感知機只有單層，隨著科學的發展，直到八十年代才被發明出多層感知機，多層感知機可以使用sigmoid或tanh等連續函數模擬神經元對激勵的響應，在訓練算法上采用反向的BP算法，這就是我們現在所說的神經網絡NN。而多層感知機給我們的啟示是，神經網絡的層數直接決定了他對現實的刻畫能力，所以隨著研究的深入出現了如今的DNN深度神經網絡。

目前，神經網絡已經廣泛應用在語音識別，圖像處理，機器視覺等人工智能領域。其中，在2012年的圖像分類挑戰賽中，Geoffrey和他的學生Alex提出了AlexNet這個經典之作，刷新了圖像分類的記錄，取得本次挑戰賽冠軍，并一舉奠定了深度學習在計算機視覺中的地位。之后幾年，許多更深的神經網絡被提出，比如優秀的VGG，GoogleNet。

?

圖1 AlexNet的結構模型

Xilinx Kintex UltraScale FPGA + xDNN Library + AlexNet + Caffe：
在2012年之后，深度學習席卷而來，一統天下，所向披靡。各類神經網絡模型如雨后春筍涌現，DNN，CNN，RNN，SDA，RBP，RBM從一種思想迅速被應用到實際神經網絡算法函數中，神經網絡對語音識別的速度，對圖像識別的速度每日都在刷新著記錄。

想看一下機器推理的運算速度有多快，效率有多高嗎？在上月末，Xilinx推出了一段視頻，這個視頻向你展示了在FPGA上利用8位整數實現AlexNet inage-classification算法時有多快（快于1800 image classification/sec），有多高效（低于50W的功率消耗）。這個視頻中的demo展示的是在Xilinx UltraScale FPGA上利用xDNN深度神經網絡來實現開源的Caffe 深度學習結構，當然開發過程是在Xilinx Kintex UltraScale FPGA 加速器開發套件上實現的。以上的所有部分都包含在Xilinx 可編程加速堆中。

?

圖2 Xilinx UltraScale FPGA套件

同時，如果你可以用16位整數實現這個demo，那么你可以達到demo中一般的性能，詳細信息可在xilinx官網看到( https://forums.xilinx.com/t5/Xcell-Daily-Blog/Counter-Intuitive-Fixed-Po... )。

Why？
眾所周知，目前的大部分算法加速，神經網絡都是由軟件程序來實現的，這些軟件程序往往都十分龐大，數據量也十分龐大，對相應PC硬件的要求也十分高。近年來，出現了一波加速器芯片，這些芯片都是針對特定算法實現硬件加速設計的，成本較高，進入市場的時間十分緩慢。

Xilinx公司推出的 Kintex UltraScale FPGA（包含在Xilinx 可編程加速堆系列中），內部集成了可重構的可編程加速堆，這是專門針對密集型計算的數據分析和人工智能應用而設計的。可以將類似于上文中的神經網絡結構在此加速堆上實現，提高其運行速度（硬件并行運算總是快于軟件的），從而達到機器推理的高效快速運算。

總結：
現在，深度學習，機器學習，神經網絡席卷我們周圍的所有大型運算，高科技前沿領域。FPGA作為硬件領域的中堅力量，利用硬件的獨特優勢積極加入，軟硬件互相促進發展，是當前技術發展的趨勢。Xilnx 作為FPGA領域的領頭羊，有何理由不積極推進呢？