什么是深度學(xué)習(xí)

為了解釋深度學(xué)習(xí)，有必要了解神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)是一種模擬人腦的神經(jīng)元和神經(jīng)網(wǎng)絡(luò)的計(jì)算模型。

神經(jīng)元和神經(jīng)網(wǎng)絡(luò)

作為具體示例，讓我們考慮一個(gè)輸入圖像并識別圖像中對象類別的示例。這個(gè)例子對應(yīng)機(jī)器學(xué)習(xí)中的分類任務(wù)。

首先，我們以一張“貓的圖像”作為輸入，教它輸入和輸出的對應(yīng)關(guān)系，這樣神經(jīng)網(wǎng)絡(luò)的輸出就是“這張圖像是一只貓”。這個(gè)階段稱為學(xué)習(xí)。

在完成一定量的學(xué)習(xí)后，當(dāng)一張新的貓圖像輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中時(shí)，就可以輸出“This image is a cat”等圖像識別結(jié)果。推理是使用經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)從未知輸入中猜測輸出的階段。

神經(jīng)網(wǎng)絡(luò)內(nèi)部有很多參數(shù)。具體來說，上圖中連接節(jié)點(diǎn)的邊被賦予了一個(gè)參數(shù)，稱為“權(quán)重”，代表連接的強(qiáng)度。學(xué)習(xí)是通過逐漸改變這個(gè)參數(shù)來進(jìn)行的。分配給某個(gè)神經(jīng)網(wǎng)絡(luò)的一組特定參數(shù)稱為模型。

給定模型的一些輸入，我們可以根據(jù)內(nèi)部參數(shù)得到一些輸出，但我們需要一些跡象表明這有多合理。此指標(biāo)有多種類型，但經(jīng)常使用稱為準(zhǔn)確性的一種。假設(shè)將 10 張貓的圖像輸入到預(yù)訓(xùn)練模型中，其中 9 張被確定為“貓”。在這一點(diǎn)上，該模型可以說具有 90% 的準(zhǔn)確率。

一般來說，你可以通過學(xué)習(xí)大量的輸入輸出對來獲得更準(zhǔn)確的模型。

有了上述機(jī)制，現(xiàn)在可以通過讓神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)各種問題來自動解決問題，創(chuàng)建高精度模型，并對新數(shù)據(jù)進(jìn)行推理。

然而，由于單個(gè)神經(jīng)網(wǎng)絡(luò)只能解決簡單的問題，人們嘗試通過構(gòu)建深度神經(jīng)網(wǎng)絡(luò) (DNN) 來解決更復(fù)雜的問題，深度神經(jīng)網(wǎng)絡(luò)是一種將這些問題多層連接起來的更深層網(wǎng)絡(luò)。這稱為深度學(xué)習(xí)。

深度學(xué)習(xí)的簡單機(jī)制

目前，深度學(xué)習(xí)被用于現(xiàn)實(shí)世界中的各種場景，例如圖像和語音識別、自然語言處理和異常檢測，并且在某些情況下，它的記錄精度超過了人類。這些是通過卷積神經(jīng)網(wǎng)絡(luò) (CNN) 和遞歸神經(jīng)網(wǎng)絡(luò) (RNN) 實(shí)現(xiàn)的，它們是在結(jié)構(gòu)上進(jìn)一步設(shè)計(jì)普通神經(jīng)網(wǎng)絡(luò)或其變體和組合的計(jì)算模型。

特別是，CNN 在圖像識別領(lǐng)域表現(xiàn)非常出色，除了上述分類之外，還被用于多項(xiàng)任務(wù)（下面顯示了四個(gè)示例）。

?

許多使用深度學(xué)習(xí)的技術(shù)、服務(wù)和業(yè)務(wù)已經(jīng)出現(xiàn)，預(yù)計(jì)未來還會繼續(xù)增加。

有許多關(guān)于深度學(xué)習(xí)主題的通俗易懂的書籍、網(wǎng)絡(luò)文章和視頻內(nèi)容。

在 FPGA 上進(jìn)行深度學(xué)習(xí)的好處

我們已經(jīng)提到，許多服務(wù)和技術(shù)都使用深度學(xué)習(xí)，而 GPU 大量用于這些計(jì)算。這是因?yàn)榫仃嚦朔ㄗ鳛樯疃葘W(xué)習(xí)中的主要運(yùn)算，其特點(diǎn)是計(jì)算所需數(shù)據(jù)的局部性和可重用性高，通過GPU計(jì)算很容易達(dá)到性能。

特別是當(dāng)只需要推理時(shí)，由于不需要將神經(jīng)元之間的運(yùn)算結(jié)果保存在內(nèi)存中，因此所需的數(shù)據(jù)量會減少?；谶@一特性，也開始嘗試使用FPGA進(jìn)行深度學(xué)習(xí)推理。

事實(shí)上，微軟的“ Project Brainwave ”在云端使用 FPGA 進(jìn)行推理，并宣布將搜索引擎中 RNN 計(jì)算的延遲和吞吐量提高了 10 倍以上。

然而，深度學(xué)習(xí)仍然主要使用 GPU 和 CPU 完成。因此，在這里我們將仔細(xì)研究使用 FPGA 進(jìn)行深度學(xué)習(xí)推理的好處。

可構(gòu)建低功耗、節(jié)省空間的系統(tǒng)

FPGA 的計(jì)算并行度不如 GPU，但在很多計(jì)算上可以達(dá)到比 CPU 更高的并行度。此外，單位時(shí)間的功耗往往低于 GPU，因此在功率受限系統(tǒng)中，F(xiàn)PGA 實(shí)現(xiàn)可能比 GPU 更適合 DNN 推理。然而，計(jì)算性能和功耗之間存在折衷（Operations / Watt），因此需要根據(jù)系統(tǒng)要求進(jìn)行仔細(xì)評估。

FPGA 還具有能夠?qū)⒄麄€(gè)系統(tǒng)安裝在單個(gè)芯片上的優(yōu)勢。例如，將連接到FPGA的相機(jī)輸入連接到深度學(xué)習(xí)計(jì)算電路，并根據(jù)計(jì)算結(jié)果改變系統(tǒng)的控制等應(yīng)用可以在單個(gè)芯片上完成。與 GPU 不同，它可以在沒有 CPU 的情況下運(yùn)行，因此可以構(gòu)建一個(gè)比 CPU 使用更少功率和空間的系統(tǒng)。

實(shí)現(xiàn)超低延遲、節(jié)省空間的推理

FPGA的優(yōu)勢之一是低延遲，這對深度學(xué)習(xí)推理也很有效。

上述圖像識別的深度學(xué)習(xí)有望應(yīng)用于自動駕駛等對精度要求較高的系統(tǒng)中。然而，由于它也是一個(gè)具有嚴(yán)格延遲約束的系統(tǒng)，因此可能難以通過 CPU 和 GPU 實(shí)現(xiàn)，它們?nèi)菀资艿?DRAM 的響應(yīng)速度和與外圍設(shè)備的 IO 性能的影響。

使用低位寬數(shù)據(jù)可以減少延遲

FPGA可以使用任意位寬的數(shù)據(jù)，因此通過采用4位、2位等CPU和GPU難以獲得的位寬，可以降低延遲，節(jié)省計(jì)算資源。

眾所周知，即使使用具有一定低位寬的數(shù)據(jù)，深度學(xué)習(xí)推理也不會降低最終精度。目前據(jù)說8位左右可以提供穩(wěn)定的準(zhǔn)確率，但最新的研究表明，已經(jīng)出現(xiàn)了即使降低到4位或2位也能獲得很好準(zhǔn)確率的模型和學(xué)習(xí)方法，越來越多的正在FPGA實(shí)現(xiàn)。

易于適應(yīng)新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

深度學(xué)習(xí)是一個(gè)非?；钴S的研究領(lǐng)域，每天都在設(shè)計(jì)新的 DNN。其中許多結(jié)合了現(xiàn)有的標(biāo)準(zhǔn)計(jì)算，但有些需要全新的計(jì)算方法。特別是在具有特殊結(jié)構(gòu)的網(wǎng)絡(luò)難以在 GPU 上實(shí)現(xiàn)高效的情況下，計(jì)算成為瓶頸并減慢整個(gè)深度學(xué)習(xí)過程。由于 FPGA 是可重構(gòu)的，因此它們可能能夠靈活地應(yīng)對這種不規(guī)則的計(jì)算。

到目前為止，我們重點(diǎn)介紹了 FPGA 深度學(xué)習(xí)推理的優(yōu)點(diǎn)，但也存在缺點(diǎn)。

運(yùn)行頻率低于 CPU 和 GPU，除非設(shè)計(jì)實(shí)現(xiàn)，否則性能往往較差。

與 CPU 和 GPU 相比實(shí)施成本高，F(xiàn)PGA 上支持深度學(xué)習(xí)的軟件較少

很多DNN參數(shù)量大，很難在FPGA上簡單實(shí)現(xiàn)

需要高數(shù)據(jù)精度的 DNN，例如單精度浮點(diǎn)數(shù)，往往會出現(xiàn)性能下降

需要高級專業(yè)知識來創(chuàng)建具有高推理準(zhǔn)確性和低數(shù)據(jù)準(zhǔn)確性的模型

有很多情況學(xué)習(xí)成為處理時(shí)間的瓶頸而不是推理，但用FPGA很難解決（幾乎連研究水平都沒有）

近年來，許多為深度學(xué)習(xí)計(jì)算而優(yōu)化的 ASIC 被推向市場，GPU 配備了專門用于深度學(xué)習(xí)的電路。

基于這些，不得不說用FPGA做深度學(xué)習(xí)的好處并不多。然而，與 DNN 權(quán)重降低相關(guān)的技術(shù)，如參數(shù)量化（或精度降低）和網(wǎng)絡(luò)修剪，正在積極研究中，這些方法與 FPGA 非常兼容。

也有FPGA供應(yīng)商發(fā)布高速深度學(xué)習(xí)IP，以及配備適合深度學(xué)習(xí)計(jì)算的硬件的SoC型FPGA等利好因素。深度學(xué)習(xí)與FPGA的實(shí)際應(yīng)用還有很長的路要走，但我認(rèn)為它在未來有很大的潛力。

總結(jié)

在這篇文章中，解釋了兩點(diǎn)：“什么是深度學(xué)習(xí)？”和“深度學(xué)習(xí)在FPGA上的優(yōu)缺點(diǎn)”。

在后續(xù)文章中，我們將為簡單的圖像分類任務(wù)在 FPGA 上創(chuàng)建推理設(shè)計(jì)。本教程中創(chuàng)建的設(shè)計(jì)不會是利用上述 FPGA 優(yōu)勢的優(yōu)秀設(shè)計(jì)，而是非常簡單的設(shè)計(jì)。我將在后面的文章中展示之后的優(yōu)化策略，但我希望能看出，如果不考慮復(fù)雜的優(yōu)化，F(xiàn)PGA 上的開發(fā)非常簡單。

審核編輯：劉清