深度神经网络FPGA设计进展、实现与展望

近年来，随着人工智能与大数据技术的发展，深度神经网络在语音识别、自然语言处理、图像理解、视 频分析等应用领域取得了突破性进展. 深度神经网络的模型层数多、参数量大且计算复杂，对硬件的计算能力、 内存带宽及数据存储等有较高的要求. FPGA 作为一种可编程逻辑器件，具有可编程、高性能、低能耗、高稳定、 可并行和安全性的特点. FPGA 与深度神经网络的结合成为推动人工智能产业应用的研究热点. 本文首先简述了人 工神经网络坎坷的七十年发展历程与目前主流的深度神经网络模型，并介绍了支持深度神经网络发展与应用的主 流硬件；接下来，在介绍 FPGA 的发展历程、开发方式、开发流程及型号选取的基础上，从六个方向分析了 FPGA 与深度神经网络结合的产业应用研究热点；然后，基于 FPGA 的硬件结构与深度神经网络的模型特点，总结了基 于 FPGA 的深度神经网络的设计思路、优化方向和学习策略；接下来，归纳了 FPGA 型号选择以及相关研究的评 价指标与度量分析原则；最后，我们总结了影响 FPGA 应用于深度神经网络的五个主要因素并进行了概要分析.

FPGA