本文我們就來(lái)分析目前主流的深度學(xué)習(xí)芯片的優(yōu)缺點(diǎn)。

　　CPU 不適合深度學(xué)習(xí)

　　深度學(xué)習(xí)與傳統(tǒng)計(jì)算模式最大的區(qū)別就是不需要編程，它是從輸入的大量數(shù)據(jù)中自發(fā)地總結(jié)出規(guī)律，而傳統(tǒng)計(jì)算模式更多都需要人為提取所需解決問(wèn)題的特征或者總結(jié)規(guī)律來(lái)進(jìn)行編程。也正因?yàn)槿绱?，深度學(xué)習(xí)對(duì)計(jì)算能力要求非常高，以至于有人將深度學(xué)習(xí)稱(chēng)之為“暴力計(jì)算”。

　　因此，傳統(tǒng)的 CPU 并不適用于深度學(xué)習(xí)。

　　從內(nèi)部結(jié)構(gòu)上來(lái)看，CPU 中 70%晶體管都是用來(lái)構(gòu)建 Cache（高速緩沖存儲(chǔ)器）和一部分控制單元，負(fù)責(zé)邏輯運(yùn)算的部分（ALU 模塊）并不多?？刂茊卧饶K的存在都是為了保證指令能夠一條接一條的有序執(zhí)行。

　　這種通用性結(jié)構(gòu)對(duì)于傳統(tǒng)的編程計(jì)算模式非常適合，但對(duì)于并不需要太多的程序指令，卻需要海量數(shù)據(jù)運(yùn)算的深度學(xué)習(xí)的計(jì)算需求，這種結(jié)構(gòu)就顯得有心無(wú)力了。

　　GPU 深度學(xué)習(xí)主流芯片

　　與 CPU 少量的邏輯運(yùn)算單元相比，GPU 整個(gè)就是一個(gè)龐大的計(jì)算矩陣，GPU 具有數(shù)以千計(jì)的計(jì)算核心、可實(shí)現(xiàn) 10-100 倍應(yīng)用吞吐量，而且它還支持對(duì)深度學(xué)習(xí)至關(guān)重要的并行計(jì)算能力，可以比傳統(tǒng)處理器更加快速，大大加快了訓(xùn)練過(guò)程。GPU 是目前最普遍采用的深度學(xué)習(xí)運(yùn)算單元之一。

　　目前，谷歌、Facebook、微軟、Twitter 和百度等互聯(lián)網(wǎng)巨頭，都在使用 GPU 作為其深度學(xué)習(xí)載體，讓服務(wù)器學(xué)習(xí)海量的照片、視頻、聲音文檔，以及社交媒體上的信息，來(lái)改善搜索和自動(dòng)化照片標(biāo)記等各種各樣的軟件功能。而某些汽車(chē)制造商也在利用這項(xiàng)技術(shù)開(kāi)發(fā)無(wú)人駕駛汽車(chē)。

　　不過(guò)，由于 GPU 的設(shè)計(jì)初衷是為了應(yīng)對(duì)圖像處理中需要大規(guī)模并行計(jì)算。因此，根據(jù)樂(lè)晴智庫(kù)介紹，其在應(yīng)用于深度學(xué)習(xí)算法時(shí)有數(shù)個(gè)方面的局限性：

　　第一， 應(yīng)用過(guò)程中無(wú)法充分發(fā)揮并行計(jì)算優(yōu)勢(shì)。深度學(xué)習(xí)包含訓(xùn)練和應(yīng)用兩個(gè)計(jì)算環(huán)節(jié)，GPU 在深度學(xué)習(xí)算法訓(xùn)練上非常高效，但在應(yīng)用時(shí)一次性只能對(duì)于一張輸入圖像進(jìn)行處理， 并行度的優(yōu)勢(shì)不能完全發(fā)揮。

　　第二， 硬件結(jié)構(gòu)固定不具備可編程性。深度學(xué)習(xí)算法還未完全穩(wěn)定，若深度學(xué)習(xí)算法發(fā)生大的變化，GPU 無(wú)法靈活的配置硬件結(jié)構(gòu)。

　　另外，在能耗上面，雖然 GPU 要好于 CPU，但其能耗仍舊很大。

　　備受看好的 FPGA

　　FPGA，即現(xiàn)場(chǎng)可編輯門(mén)陣列，是一種新型的可編程邏輯器件，由于其具有靜態(tài)可重復(fù)編程和動(dòng)態(tài)在系統(tǒng)重構(gòu)的特性，使得硬件的功能可以像軟件一樣通過(guò)編程來(lái)修改。

　　FPGA 作為人工智能深度學(xué)習(xí)方面的計(jì)算工具，主要原因就在于其本身特性：可編程專(zhuān)用性，高性能，低功耗。