作者 | Ben Dickson 譯者 | 大小非 ?

人工智能的興起觸發(fā)了市場對 GPU 的大量需求，但 GPU 在 AI 場景中的應(yīng)用面臨使用壽命短、使用成本高等問題。現(xiàn)場可編程門陣列 (FPGA) 這一可以定制化硬件處理器反倒是更好的解決方案。隨著可編程性等問題在 FPGA 上的解決，F(xiàn)PGA 將成為市場人工智能應(yīng)用的選擇。

?

現(xiàn)場可編程門陣列 (FPGA) 解決了 GPU 在運行深度學習模型時面臨的許多問題

在過去的十年里，人工智能的再一次興起使顯卡行業(yè)受益匪淺。英偉達 (Nvidia) 和 AMD 等公司的股價也大幅上漲，因為事實表明，它們的 GPU 在訓練和運行 深度學習模型 方面效果明顯。實際上，英偉達也已經(jīng)對自己的業(yè)務(wù)進行了轉(zhuǎn)型，之前它是一家純粹做 GPU 和游戲的公司，現(xiàn)在除了作為一家云 GPU 服務(wù)提供商外，英偉達還成立了專業(yè)的人工智能研究實驗室。

不過，機器學習軟件公司 Mipsology 的首席執(zhí)行官兼聯(lián)合創(chuàng)始人盧多維奇?拉祖爾 (Ludovic Larzul) 表示，GPU 還存在著一些缺陷，這使其在 AI 應(yīng)用中面臨著一些挑戰(zhàn)。

Larzul 表示，想要解決這些問題的解決方案便是實現(xiàn)現(xiàn)場可編程門陣列 (FPGA)，這也是他們公司的研究領(lǐng)域。FPGA 是一種處理器，可以在制造后定制，這使得它比一般處理器更高效。但是，很難對 FPGA 進行編程，Larzul 希望通過自己公司開發(fā)的新平臺解決這個問題。

專業(yè)的人工智能硬件已經(jīng)成為了一個獨立的產(chǎn)業(yè)，但對于什么是深度學習算法的最佳基礎(chǔ)設(shè)施，人們?nèi)匀粵]有定論。如果 Mipsology 成功完成了研究實驗，許多正受 GPU 折磨的 AI 開發(fā)者將從中受益。

GPU 深度學習面臨的挑戰(zhàn)

三維圖形是 GPU 擁有如此大的內(nèi)存和計算能力的根本原因，它與 深度神經(jīng)網(wǎng)絡(luò) 有一個共同之處：都需要進行大量矩陣運算。

顯卡可以并行執(zhí)行矩陣運算，極大地加快計算速度。圖形處理器可以把訓練神經(jīng)網(wǎng)絡(luò)的時間從幾天、幾周縮短到幾小時、幾分鐘。

隨著圖形硬件公司供貨的不斷增加，GPU 在深度學習中的市場需求還催生了大量公共云服務(wù)，這些服務(wù)為深度學習項目提供強大的 GPU 虛擬機。

但是顯卡也受硬件和環(huán)境的限制。Larzul 解釋說：“神經(jīng)網(wǎng)絡(luò)訓練通常是在一個確定的環(huán)境中進行的，運行神經(jīng)網(wǎng)絡(luò)的系統(tǒng)會在部署中遇到各種限制——這可能會對 GPU 的實際使用造成壓力。”

GPU 需要大量的電力，會產(chǎn)生大量的熱量，并需要使用風扇冷卻。當你在臺式工作站、筆記本電腦或機架式服務(wù)器上訓練神經(jīng)網(wǎng)絡(luò)時，這不是什么大問題。但是，許多部署深度學習模型的環(huán)境對 GPU 并不友好，比如自動駕駛汽車、工廠、機器人和許多智慧城市環(huán)境，在這些環(huán)境中硬件必須忍受熱、灰塵、濕度、運動和電力限制等環(huán)境因素。

Larzul 說：“在一些關(guān)鍵的應(yīng)用場景中，比如智慧城市的視頻監(jiān)控，要求硬件暴露在對 GPU 有不利影響的環(huán)境因素 (比如太陽) 下。“ GPU 受晶體管技術(shù)的限制，導致它們在高溫下運行時需要及時冷卻，而這并不總是可以實現(xiàn)的。要做到這點需要更多的電力、維護成本等。”

使用壽命也是一個問題。一般來說，GPU 的使用 壽命約為 2-5 年，這對那些每隔幾年就換一次電腦的玩家來說不是什么大問題。但在其他領(lǐng)域，如汽車行業(yè)，需要硬件有更高的耐用性，這就帶來了問題。特別是過多的暴露在惡劣的環(huán)境中，再加上高強度的使用，GPU 的使用壽命將會更短。

Larzul 說：“從商業(yè)可行性方面考慮，自動駕駛汽車等應(yīng)用可能需要多達 7-10 個 GPU（其中大多數(shù)會在不到四年的時間內(nèi)失效），對于大多數(shù)購車者來說，智能或自動駕駛汽車的成本將變得不切實際。”

機器人、醫(yī)療保健和安全系統(tǒng)等其他行業(yè)也面臨著類似的挑戰(zhàn)。

FPGA 和深度學習

FPGA 是可定制的硬件設(shè)備，可對其組件進行調(diào)節(jié)，因此可以針對特定類型的架構(gòu) (如 卷積神經(jīng)網(wǎng)絡(luò)) 進行優(yōu)化。其可定制性特征降低了對電力的需求，并在運算速度和吞吐量方面提供了更高的性能。它們的使用壽命也更長，大約是 GPU 的 2-5 倍，并且對惡劣環(huán)境和其它特殊環(huán)境因素有更強的適應(yīng)性。

有一些公司已經(jīng)在他們的人工智能產(chǎn)品中使用了 FPGA。微軟 就是其中一家，它將基于 FPGA 的機器學習技術(shù)作為其 Azure 云服務(wù)產(chǎn)品的一部分來提供。

不過 FPGA 的缺陷是難于編程。配置 FPGA 需要具備硬件描述語言 (如 Verilog 或 VHDL) 的知識和專業(yè)技能。機器學習程序是用 Python 或 C 等高級語言編寫的，將其邏輯轉(zhuǎn)換為 FPGA 指令非常困難。在 FPGA 上運行 TensorFlow、PyTorch、Caffe 和其他框架建模的神經(jīng)網(wǎng)絡(luò)通常需要消耗大量的人力時間和精力。

“要對 FPGA 進行編程，你需要組建一支懂得如何開發(fā) FPGA 的硬件工程師團隊，并聘請一位了解神經(jīng)網(wǎng)絡(luò)的優(yōu)秀架構(gòu)師，花費幾年時間去開發(fā)一個硬件模型，最終編譯運行在 FPGA 上，與此同時你還需要處理 FPGA 使用效率和使用頻率的問題。“Larzul 說。此外你還需要具備廣泛的數(shù)學技能，以較低的精度準確地計算模型，并需要一個軟件團隊將 AI 框架模型映射到硬件架構(gòu)。

Larzul 的公司 Mipsology 希望通過 Zebra 來彌合這一差距。Zebra 是一種軟件平臺，開發(fā)者可以輕松地將深度學習代碼移植到 FPGA 硬件上。

Larzul 說：“我們提供了一個軟件抽象層，它隱藏了通常需要高級 FPGA 專業(yè)知識的復雜性。”“只需加載 Zebra，輸入一個 Linux 命令，Zebra 就可以工作了——它不需要編譯，不需要對神經(jīng)網(wǎng)絡(luò)進行任何更改，也不需要學習任何新工具。不過你可以保留你的 GPU 用于訓練。”

Zebra 提供了將深度學習代碼轉(zhuǎn)換為 FPGA 硬件指令的抽象層

AI 硬件前景

Mipsology 的 Zebra 平臺是開發(fā)者探索在 AI 項目中使用 FPGA 的 眾多方案之一。Xilinx 是 FPGA 領(lǐng)域的領(lǐng)導者，已經(jīng)開發(fā)了 Zebra 并將其集成到了電路板中。其他公司，如谷歌和特斯拉，也正積極的為其開發(fā)專用的 AI 硬件，用于自己的云產(chǎn)品和邊緣計算產(chǎn)品環(huán)境中。

神經(jīng)形態(tài)芯片 方面也有著一些發(fā)展，這是一種專門為神經(jīng)網(wǎng)絡(luò)設(shè)計的計算機架構(gòu)。英特爾在神經(jīng)形態(tài)計算領(lǐng)域處于領(lǐng)先地位，已經(jīng)開發(fā)了幾種模型架構(gòu)，不過該領(lǐng)域仍處于早期發(fā)展階段。

還有專門用于特定應(yīng)用的集成電路 (ASIC)，即專為某一特定人工智能需求制造的芯片。但 ASIC 缺乏 FPGA 的靈活性，無法重新編程。

Larzul 最后說，“我們決定專注于軟件業(yè)務(wù)，探索研究提升神經(jīng)網(wǎng)絡(luò)性能和降低延遲的方案。Zebra 運行在 FPGA 上，因此無需更換硬件就可以支持 AI 推理。FPGA 固件的每次刷新都能給我們帶來更高的性能提升，這得益于其高效性和較短的開發(fā)周期。另外，F(xiàn)PGA 的可選擇方案很多，具有很好的市場適應(yīng)性。”

英文原文：

https://bdtechtalks.com/2020/11/09/fpga-vs-gpu-deep-learning/

編輯：黃飛

?