深度神经网络FPGA设计与实现 课件 第5、6章 FPGA神经网络开发基础、 FPGA神经网络计算的RTL级开发.pptx

第5章 FPGA神经网络开发基础5.1 FPGA开发简介5.2 FPGA的结构特性与优势5.3 FPGA深度学习神经网络加速计算的开发过程5.4 FPGA在深度学习方面的发展5.1 FPGA开发简介　可以使用硬件描述语言(Verilog、VHDL)或C/C++/OpenCL语言编写程序并烧录到FPGA上。通过这种方式对FPGA上的门电路以及存储器之间的连线进行调整，从而修改它的功能。这种烧录是可重复的，它给算法程序的设计、实现和优化留出了更多的空间，解决了ASIC灵活性不足的问题。在算法需要不断改进或者芯片需求量不多的情况下，FPGA大大地降低了从算法编程到芯片电路的调试成本，是实现半定制人工智能芯片的最佳选择之一。　5.2 FPGA的结构特性与优势　1. 原始计算能力　Xilinx的研究表明，Ultrascale+TM XCVU13P FPGA(38.3 INT8 TOP/s)与目前最先进的 NVidia Tesla P40加速卡以基础频率运行(40 INT8 TOP/s)相比，具有几乎相同的计算能力。片上存储器对于减少深度学习应用中的延迟是至关重要的，FPGA可以显著提高计算能力。大量的片上高速缓存可以减少与外部存储器访问相关的内存的瓶颈，以及高内存带宽设计的功耗和成本。　2. 效率和功耗　FPGA以其功效而闻名。研究表明，Xilinx Virtex Ultras