深度學習是機器學習的一個領(lǐng)域，都屬于人工智能（AI）的范疇。深度學習主要研究的是人工神經(jīng)網(wǎng)絡(luò)的算法、理論、應(yīng)用。

自從2006年Hinton等人提出來之后，深度學習高速發(fā)展，在自然語言處理、圖像處理、語音處理等領(lǐng)域都取得了非凡的成就，受到了巨大的關(guān)注。在互聯(lián)網(wǎng)概念被人們普遍關(guān)注的時代，深度學習給人工智能（AI）帶來的影響是巨大的，人們會為它隱含的巨大潛能以及廣泛的應(yīng)用價值感到不可思議。

事實上，人工智能（AI）是上世紀就提出來的概念。1957年，Rosenblatt提出了感知機模型（Perception），即兩層的線性網(wǎng)絡(luò)；1986年，Rumelhart等人提出了后向傳播算法（Back Propagation），用于三層的神經(jīng)網(wǎng)絡(luò)的訓練，使得訓練優(yōu)化參數(shù)龐大的神經(jīng)網(wǎng)絡(luò)成為可能；1995年，Vapnik等人發(fā)明了支持向量機（Support Vector Machines），在分類問題中展現(xiàn)了其強大的能力。以上都是人工智能歷史上比較有代表性的事件，然而受限于當時計算能力，AI總是在一段高光之后便要陷入灰暗時光——稱為：“AI寒冬”。

然而，隨著計算機硬件能力和存儲能力的提升，加上龐大的數(shù)據(jù)集，現(xiàn)在正是人AI發(fā)展的最好時機。自Hinton提出DBN（深度置信網(wǎng)絡(luò)）以來，人工智能就在不斷的高速發(fā)展。在圖像處理領(lǐng)域，CNN（卷積神經(jīng)網(wǎng)絡(luò)）發(fā)揮了不可替代的作用，在語音識別領(lǐng)域，RNN（遞歸神經(jīng)網(wǎng)絡(luò)）也表現(xiàn)的可圈可點。而科技巨頭也在加緊自己的腳步，谷歌的領(lǐng)軍人物是Hinton，其重頭戲是Google brain，并且在去年還收購了利用AI在游戲中擊敗人類的DeepMind；Facebook的領(lǐng)軍人物是Yann LeCun，另外還組建了Facebook的AI實驗室，Deepface在人臉識別的準確率更達到了驚人的97.35%；而國內(nèi)的巨頭當屬百度，在挖來了斯坦福大學教授Andrew Ng（Coursera的聯(lián)合創(chuàng)始人）并成立了百度大腦項目之后，百度在語音識別領(lǐng)域的表現(xiàn)一直十分強勢。

而FPGA（Field Programmable Gate Array）是在PAL、GAL、CPLD等可編程邏輯器件的基礎(chǔ)上進一步發(fā)展的產(chǎn)物。它是作為專用集成電路領(lǐng)域中的一種半定制電路而出現(xiàn)的，既解決了全定制電路的不足，又克服了原有可編程邏輯器件門電路數(shù)有限的缺點［3］。FPGA的開發(fā)相對于傳統(tǒng)PC、單片機的開發(fā)有很大不同。FPGA以并行運算為主，以硬件描述語言來實現(xiàn)；相比于PC或單片機（無論是馮諾依曼結(jié)構(gòu)還是哈佛結(jié)構(gòu)）的順序操作有很大區(qū)別。FPGA開發(fā)需要從頂層設(shè)計、模塊分層、邏輯實現(xiàn)、軟硬件調(diào)試等多方面著手。FPGA可以通過燒寫位流文件對其進行反復(fù)編程，目前，絕大多數(shù) FPGA 都采用基于 SRAM（Static Random Access Memory 靜態(tài)隨機存儲器）工藝的查找表結(jié)構(gòu)，通過燒寫位流文件改變查找表內(nèi)容實現(xiàn)配置。

FPGA在GPU和ASIC中取得了權(quán)衡，很好的兼顧了處理速度和控制能力。一方面，F(xiàn)PGA是可編程重構(gòu)的硬件，因此相比GPU有更強大的可調(diào)控能力；另一方面，與日增長的門資源和內(nèi)存帶寬使得它有更大的設(shè)計空間。更方便的是，F(xiàn)PGA還省去了ASIC方案中所需要的流片過程。