（文章來源：OFweek電子工程網）

作為GPU在算法加速上強有力的競爭者，FPGA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在運行深入學習中關鍵的子程序（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。不過，設置FPGA需要具體硬件的知識，許多研究者和應用科學家并不具備，正因如此，FPGA經常被看作一種行家專屬的架構。最近，FPGA工具開始采用包括OpenCL在內的軟件級編程模型，使其越來越受經主流軟件開發訓練的用戶青睞。

對考察一系列設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工具、是否具有靈活可升級的模型設計方法以及是否能迅速計算、以縮減大模型的訓練時間有關。隨著FPGA因為高抽象化設計工具的出現而越來越容易編寫，其可重構性又使得定制架構成為可能，同時高度的并行計算能力提高了指令執行速度，FPGA將為深度學習的研究者帶來好處。

對應用科學家而言，盡管有類似的工具級選擇，但硬件挑選的重點在于最大化提高單位能耗的性能，從而為大規模運行降低成本。所以，FPGA憑借單位能耗的強勁性能，加上為特定應用定制架構的能力，就能讓深度學習的應用科學家受益。

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上深度學習的現狀，以及目前用于填補兩者間鴻溝的技術發展。因此，本文有三個重要目的。首先，指出深度學習領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支持深度學習的現狀，指出潛在的限制。最后，對FPGA硬件加速的未來方向提出關鍵建議，幫助解決今后深度學習所面臨的問題。

傳統來說，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，并且適用于多種用途和重復使用。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難度更大。這些電路專用于某特定的應用程序，并且生產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備（PLD），并且簡單來說，是一種可重新配置的集成電路。因此，FPGA既能提供集成電路的性能優勢，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器（FF）來實現順序邏輯，并通過使用查找表（LUT）來實現組合邏輯。

現代的FPGA還含有硬化組件以實現一些常用功能，例如全處理器內核、通信內核、運算內核和塊內存（BRAM）。另外，目前的FPGA趨勢趨向于系統芯片（SoC）設計方法，即ARM協處理器和FPGA通常位于同一芯片中。目前的FPGA市場由Xilinx主導，占據超過85％的市場份額。此外，FPGA正迅速取代ASIC和應用專用標準產品（ASSP）來實現固定功能邏輯。 FPGA市場規模預計在2016年將達到100億美元。