用FPGA实现机器学习应用？这几点因素要权衡

用FPGA实现机器学习应用？这几点因素要权衡
        神经网络、算法和传感器等都还是处于不断演化的过程，一款固定的、标准的设计平台面对这些风云变幻的演进根本无力招架。此时此刻，FPGA技术成为数百家嵌入式视觉企业开发的首选，其中用于机器学习领域的已经超过40家。
        越来越多的辅助驾驶、无人机、虚拟现实/增强现实、医学诊断、工业视觉等应用，为了追逐更高性能/差异化，纷纷对机器学习产生浓厚的兴趣。

        已有几家初创企业在开发专门的机器学习芯片，但上述这些应用不仅仅要集成机器学习，还有计算机视觉，传感器融合和连接。如果要开发这么一整套独特的性能组合，可能要花费几亿美元才能推出第一款芯片，而且从各种规格的确定落实到推出样片，可能需要三年以上。

        更别提这三年过程当中还有一个挑战：那就是神经网络、算法和传感器等都还是处于不断演化的过程，一款固定的、标准的设计平台面对这些风云变幻的演进根本无力招架。此时此刻，FPGA技术成为数百家嵌入式视觉企业开发的首选，其中用于机器学习领域的已经超过40家。

        那么问题来了，面对市场上最热门的人工智能CPU/GPU芯片，全可编程方案的优缺点是什么？产量达到多少以后就不再合适？
        秒杀对手的性能，是怎么算出来的？

        赛灵思有一个公开的性能对比：针对 Zynq SoC 的 reVISION堆栈与 Nvidia Tegra X1 进行基准对比，得出下图这个惊人的数据： reVISION 堆栈在机器学习方面单位功耗图像捕获速度提升 6 倍，在计算机视觉处理的帧速率提升 42 倍，时延仅为 1/5（以毫秒为单位），这些对实时应用而言都是至关重要的。
        既然和竞争对手做对比，一定是在相同价格的芯片之上做的一些性能对比。在接到EDN记者的疑问后，赛灵思嵌入式视觉和SDSoC高级产品经理Nick Ni用详细数据解答了此疑问。

6倍、42倍和1/5，这几个数据都是基于同一基础的。

赞，谢谢分享。。。。。

用FPGA实现机器学习应用？这几点因素要权衡

先赞后看