FPGA到底有啥优势,能担当AI时代主角?
人工智能(AI)算法日新月异,对嵌入式处理器的灵活性带来许多考验,也让以灵活弹性著称的现场可编程门阵列(FPGA)组件有很大的发挥空间。
赛灵思ISM营销资深技术经理罗霖表示,由于人工智能目前还处于发展阶段,算法日新月异,目前还没有一个算法可以固定下来,这为ASIC的设计带来很大挑战,因客户往往需要的是十分灵活的架构。
有鉴于此,赛灵思推出reVISION堆栈技术,其具备了可重组以及所有形式链接的特性,让开发者能充分运用堆栈技术,快速研发与部署升级方案,这样的特性对于开发未来需求的智能视觉系统是至关重要的的。 不仅如此,该技术也使开发者在结合机器学习、计算机视觉、传感器融合与连接的应用时,能够获得显著优势。
举例而言,相较于其他嵌入式GPU与传统SoC,reVISION将机器学习推论的每秒每瓦影像效能,提升了6倍、计算机视觉每秒每瓦每帧处理速度提升了42倍,而延迟却只有五分之一。
罗霖分析,相较于同等级GPU技术,FPGA在低延迟(Low Latency)的部分,本身就与传统的架构不同,传统架构是将收集到的数据送到DDR内存中进行缓存,处理器要再从DDR中取出数据进行运算,运算完成后再送回DDR。 但FPGA则是采用像素流(Stream)的方式,直接可以到模拟进行运算,运算完成后,输出结果即可,由于省去了存取DDR的时间,因此可以延迟可以降到非常低。
从算法的层面来看,人工智能含有许多智能决策的部分,因此需要有很强的平行运算能力。 这些算法进而对处理器结构产生了不同的需求,像是在神经网络中,卷积运算强调的是平行运算,适合在FPGA上运行,但在传感器融合的部分,则比较适合在CPU上运行,因其必须将硬件进行分割,再将不同的算法,放到处理器中。
罗霖指出,在脱机的神经网络训练部分,GPU的确是比较有优势的,由于其要求的浮点运算性能特别高,因此不少深度学习都是采用GPU,而赛灵思的立场是不会以FPGA去进攻这块市场,不过若是以在线的任务来看,FPGA还是很有优势的。 目前边缘运算对嵌入式处理器的要求除了传感器的接口要够多,组件的I/O型态也十分多变,可能是高速率、中速率或低速率,这些处理器都要能支持,且在线处理的能力也相当关键。
更多最新行业资讯,欢迎点击《今日大事要闻》!
- 大尺寸面板价格不涨反跌 市场供需失衡难落幕(07-29)
- Fairchild推出全新品牌,标志着公司的重大转型(03-19)
- 飞兆半导体附属公司崇贸科技荣获发明创作奖(05-14)
- Fairchild通过收购Xsens将战略步伐跨入 快速增长的3D运动追踪市场(05-15)
- Fairchild宣布2014年度北美洲和亚洲功率技术研讨会时间表(04-15)
- Fairchild与Xsens的结合水到渠成(06-09)