深度學習主流芯片的介紹及其優(yōu)缺點的分析

　　本文我們就來分析目前主流的深度學習芯片的優(yōu)缺點。

　　CPU 不適合深度學習

　　深度學習與傳統(tǒng)計算模式最大的區(qū)別就是不需要編程，它是從輸入的大量數(shù)據(jù)中自發(fā)地總結出規(guī)律，而傳統(tǒng)計算模式更多都需要人為提取所需解決問題的特征或者總結規(guī)律來進行編程。也正因為如此，深度學習對計算能力要求非常高，以至于有人將深度學習稱之為“暴力計算”。

　　因此，傳統(tǒng)的 CPU 并不適用于深度學習。

　　從內(nèi)部結構上來看，CPU 中 70%晶體管都是用來構建 Cache（高速緩沖存儲器）和一部分控制單元，負責邏輯運算的部分（ALU 模塊）并不多?？刂茊卧饶K的存在都是為了保證指令能夠一條接一條的有序執(zhí)行。

　　這種通用性結構對于傳統(tǒng)的編程計算模式非常適合，但對于并不需要太多的程序指令，卻需要海量數(shù)據(jù)運算的深度學習的計算需求，這種結構就顯得有心無力了。

　　GPU 深度學習主流芯片

　　與 CPU 少量的邏輯運算單元相比，GPU 整個就是一個龐大的計算矩陣，GPU 具有數(shù)以千計的計算核心、可實現(xiàn) 10-100 倍應用吞吐量，而且它還支持對深度學習至關重要的并行計算能力，可以比傳統(tǒng)處理器更加快速，大大加快了訓練過程。GPU 是目前最普遍采用的深度學習運算單元之一。

　　目前，谷歌、Facebook、微軟、Twitter 和百度等互聯(lián)網(wǎng)巨頭，都在使用 GPU 作為其深度學習載體，讓服務器學習海量的照片、視頻、聲音文檔，以及社交媒體上的信息，來改善搜索和自動化照片標記等各種各樣的軟件功能。而某些汽車制造商也在利用這項技術開發(fā)無人駕駛汽車。

　　不過，由于 GPU 的設計初衷是為了應對圖像處理中需要大規(guī)模并行計算。因此，根據(jù)樂晴智庫介紹，其在應用于深度學習算法時有數(shù)個方面的局限性：

　　第一， 應用過程中無法充分發(fā)揮并行計算優(yōu)勢。深度學習包含訓練和應用兩個計算環(huán)節(jié)，GPU 在深度學習算法訓練上非常高效，但在應用時一次性只能對于一張輸入圖像進行處理， 并行度的優(yōu)勢不能完全發(fā)揮。

　　第二， 硬件結構固定不具備可編程性。深度學習算法還未完全穩(wěn)定，若深度學習算法發(fā)生大的變化，GPU 無法靈活的配置硬件結構。

　　另外，在能耗上面，雖然 GPU 要好于 CPU，但其能耗仍舊很大。

　　備受看好的 FPGA

　　FPGA，即現(xiàn)場可編輯門陣列，是一種新型的可編程邏輯器件，由于其具有靜態(tài)可重復編程和動態(tài)在系統(tǒng)重構的特性，使得硬件的功能可以像軟件一樣通過編程來修改。

　　FPGA 作為人工智能深度學習方面的計算工具，主要原因就在于其本身特性：可編程專用性，高性能，低功耗。