云中的机器学习：FPGA 上的深度神经网络

一切始于 C/C++

卷积神经网络备受青睐，并大规模部署用于处理图像识别、自然语言处理等众多任务。随着 CNN 从高性能计算应用 (HPC) 向数据中心迁移，需要采用高效方法来实现它们。

FPGA 可高效实现 CNN。FPGA 的具有出色的单位功耗性能，因此非常适用于数据中心。

AuvizDNN 函数库可用来在 FPGA 上实现 CNN。AuvizDNN 能降低 FPGA 的使用复杂性，并提供用户可从其 C/C++ 程序中调用的简单函数，用以在 FPGA 上实现加速。使用 AuvizDNN 时，可在 AuvizDNN 库中调用函数，因此实现 FPGA 加速与编写 C/C++ 程序没有太大区别。

如需更多信息，敬请访问网址www.auvizsystems.com，或发邮件至sales@auvizsystems.com。
   
参考资料  

1.    A. Krizhevsky, I. Sutskever, G. E. Hinton, “深度卷积神经网络的ImageNet分类”，神经信息处理系统发展，2012


图 1 –  AlexNet 是一种图像识别基准，包含五个卷积层(蓝框)和三个致密层(黄)。


图 2 – AlexNet 中的卷积层执行 3D 卷积、激活和子采样。


图 3  – 图表展示了 AlexNet 中涉及的计算复杂性和数据传输数量。


图 4 - 实现 CNN 时的函数调用顺序。


图 5 – 使用 AuvizDNN 创建 AlexNet 的 L1 的代码片段。


图 6 – AlexNets 的性能因 FPGA 类型不同而不同。