推荐星级：
- 1
- 2
- 3
- 4
- 5
FPGA能否加速下一代深度神经网络的GPU？
资料介绍
当前的深度神经网络（DNN），如AlexNet和VGG，严重依赖于密集浮点矩阵乘法（GEMM），它可以很好地映射到GPU（常规并行，高TFLOP / s）。因此，GPU被广泛用于加速DNN。目前的FPGA提供卓越的能效（Ops / Watt），但它们不能提供当今DNN上的GPU性能。在本文中，我们将研究即将到来的FPGA技术进步，DNN算法的快速创新，并考虑未来的高性能FPGA是否会优于下一代DNN的GPU。即将推出的英特尔®14纳米StratixTM 10 FPGA将拥有数千个硬浮点单元（DSP）和片上RAM（M20K存储器模块）。它们还将具有高带宽存储器（HBM）和改进的频率（HyperFlex™核心架构）。这些功能组合使FPGA原始浮点性能与GPU的距离相当。同时，DNN正在迅速发展。例如，利用稀疏性（例如，修剪）和紧凑数据类型（例如，1-2比特）的最新创新导致算法效率的重大飞跃。然而，这些创新在自定义数据类型上引入了不规则的并行性，这对GPU来说难以处理，但非常适合FPGA的极端可定制性。
部分文件列表
| 文件名 | 大小 |
| 1547185463fpga17-next-generation-dnns.pdf | 1M |
全部评论(0)