FPGA：机器深度学习的未来3

除了编译时间外，吸引偏好上层编程语言的研究人员和应用科学家来开发FPGA的问题尤为艰难。虽然能流利使用一种软件语言常常意味着可以轻松地学习另一种软件语言，但对于硬件语言翻译技能来说却非如此。针对FPGA最常用的语言是Verilog和VHDL，两者均为硬件描述语言（HDL）。这些语言和传统的软件语言之间的主要区别是，HDL只是单纯描述硬件，而例如C语言等软件语言则描述顺序指令，并无需了解硬件层面的执行细节。有效地描述硬件需要对数字化设计和电路的专业知识，尽管一些下层的实现决定可以留给自动合成工具去实现，但往往无法达到高效的设计。因此，研究人员和应用科学家倾向于选择软件设计，因其已经非常成熟，拥有大量抽象和便利的分类来提高程序员的效率。这些趋势使得FPGA领域目前更加青睐高度抽象化的设计工具。

　　3. FPGA深度学习研究里程碑：
　　1987VHDL成为IEEE标准
　　1992GANGLION成为首个FPGA神经网络硬件实现项目（Cox et al.）
　　1994Synopsys推出第一代FPGA行为综合方案
　　1996VIP成为首个FPGA的CNN实现方案（Cloutier et al.）
　　2005FPGA市场价值接近20亿美元
　　2006首次利用BP算法在FPGA上实现5 GOPS的处理能力
　　2011Altera推出OpenCL，支持FPGA
　　出现大规模的基于FPGA的CNN算法研究（Farabet et al.）
　　2016在微软Catapult项目的基础上，出现基于FPGA的数据中心CNN算法加速（Ovtcharov et al.）
　　4. 未来展望
　　深度学习的未来不管是就FPGA还是总体而言，主要取决于可扩展性。要让这些技术成功解决未来的问题，必须要拓展到能够支持飞速增长的数据规模和架构。FPGA技术正在适应这一趋势，而硬件正朝着更大内存、更少的特征点数量、更好的互连性发展，来适应FPGA多重配置。英特尔收购了Altera，IBM与Xilinx合作，都昭示着FPGA领域的变革，未来也可能很快看到FPGA与个人应用和数据中心应用的整合。另外，算法设计工具可能朝着进一步抽象化和体验软件化的方向发展，从而吸引更广技术范围的用户。

楼主v5