（文章來源：安防知識網）

目前，在AI計算平臺使用最廣泛的兩種加速部件是GPU和FPGA。GPU可適用于具備計算密集、高并行、SIMD（SingleInstructionMultipleData，單指令多數據流）應用等特點的深度學習訓練模型領域，并且GPU創建了包含CNN、DNN、RNN、LSTM以及強化學習網絡等算法在內的應用加速平臺和生態系統。

但是，最近FPGA又頻頻被各AI領域的巨頭看好，比如微軟、百度、科大訊飛都對FPGA應用前景有所期待。那么如果讓你選擇FPGA作為AI計算系統的主力軍，你會有什么樣的顧慮？其次，FPGA是可編程芯片，算法燒錄更加靈活。目前來看，深度學習算法還未完全成熟，算法還在迭代衍化過程中，若深度學習算法發生大的變化，FPGA是軟件定義硬件，可以靈活切換算法，快速切入市場。

未來至少95％的機器學習計算都是用于推斷，只有不到5％是用于模型訓練，而FPGA正是強在推斷。大幅提升推斷效率的同時，還能最小限度損失精確性，這正是FPGA的強項。與CPU和GPU不同，FPGA是一種典型的非諾依曼架構，是硬件適配軟件的模式，它能夠根據系統資源和算法特征靈活的調整并行度，達到最優的適配，因此能效比高于CPU和GPU。

測試數據顯示，在語音識別應用下，浪潮F10A較CPU性能加速2．87倍，而功耗相當于CPU的15．7％，性能功耗比提升18倍。傳統的FPGA的開發類似于芯片的開發，采用硬件描述語言（HDL）開發，HDL開發帶來的問題就會像芯片設計一樣周期會比較長，從架構設計、到仿真驗證、再到最終完成，需要一年左右的開發時間。

或許你還是有些顧慮，即時開發效率大幅提升、開發周期大大縮短，但是對于技術和團隊儲備不足的中小型AI企業來說，FPGA仍是“高不可攀”的AI加速部件。如果，有一種方案能夠將軟件、算法和硬件板卡整合，以軟硬一體化的形式，提供FaaS（FPGAasaService）服務。你還有什么顧慮么？

目前，浪潮正在針對市場上需求最迫切的幾種應用場景進行算法的移植開發，在圖像壓縮、文本數據壓縮及神經網絡加速等應用開發出業界領先的IP，省去客戶的算法開發周期，最小化FPGA落地門檻、最大化FPGA落地效率。神經網絡加速方案：基于浪潮F10A的AI線上推理加速方案，針對CNN卷積神經網絡的相關算法進行優化和固化，可加速ResNet等神經網絡，能夠應用于圖片分類、對象檢測和人臉識別等應用場景。

實測數據顯示，在進行ResNet殘差網絡的圖片識別分類任務時，浪潮F10A加速方案圖片處理速度可達每秒742張，Top－5識別準確率達到99．6％，相比同檔次GPU能效比提升3倍以上。而與通用CPU對比，在處理這種高并行、小計算量的任務時，F10A的優勢將更明顯。

WebP圖片轉碼壓縮加速方案：針對圖片數據的壓縮應用，嵌入基于FPGA計算環境下的WebP編解碼優化算法，通過充分利用硬件流水設計和任務級并行，大大提升WebP圖像壓縮編碼算法的處理性能，能夠實現JPEG－WebP圖片格式的快速轉換，比傳統實現方式的整體處理效率平均高9．13倍左右，最高性能可比CPU提高14倍。

數據壓縮加速方案：為解決傳統壓縮架構的弊端，浪潮GZip算法加速方案充分利用板卡硬件流水設計和任務級并行，大幅提升了壓縮任務的吞吐量并有效降低CPU的負載，壓縮率（壓縮率＝1－壓縮后文件／壓縮前文件）最高可達94．8％，壓縮速度達到1．2GB／s，10倍于傳統方案的壓縮效率。

FaaS不僅僅是指板卡與軟件算法的一體化服務，同時還可以支持公有云及在線遠程管理和更新。浪潮FPGA解決方案能夠支持動態邏輯的在線可重構、靜態邏輯的遠程更新，并且通過優化的監控管理機制，提升板卡遠程監控管理的可靠性，通過它們可以實時的監控FPGA芯片的溫度、板卡風扇轉速、板卡內存特性等從而調整FPGA的工作頻率。

同時浪潮FPGA也支持虛擬機的直接訪問，板卡本身也加入了很多RAS（可靠性、可用性、可擴展性）特性，如高可靠內存訪問等，支持并行（FPP）和串行（AS）雙加載模式，任何一種模式加載出現故障，都可以快速切換到另一種模式加載，保證了板卡大規模服務的可用性。

浪潮擁有國內領先的FPGA軟硬件開發團隊，浪潮正聯合Intel及BAT、科大訊飛、網易等AI領先企業深入研發基于FPGA的通用系統方案，包括深度學習、網絡加速、存儲優化等，并將方案推廣到其它應用領域和客戶。未來，CPU＋FPGA或許將作為新的異構加速模式，被越來越多的應用領域采用。
? ? ?（責任編輯：fqj）