人工智能（AI）長期以來一直是科幻作家和學(xué)者的主題。將人腦的復(fù)雜性復(fù)制到計算機中的挑戰(zhàn)催生了新一代的科學(xué)家、數(shù)學(xué)家和計算機算法開發(fā)人員。持續(xù)的研究現(xiàn)在已經(jīng)讓位于人工智能的使用，通常被稱為深度學(xué)習(xí)或機器學(xué)習(xí)，這些應(yīng)用正越來越成為我們世界的一部分。雖然基本概念已經(jīng)存在很長時間，但商業(yè)現(xiàn)實從未完全實現(xiàn)。近年來，數(shù)據(jù)的生成速度飛速發(fā)展，開發(fā)人員不得不長時間思考如何編寫算法來從中提取有價值的數(shù)據(jù)和統(tǒng)計數(shù)據(jù)。還，另一個關(guān)鍵因素是高度可擴展級別的計算資源的可用性，這是云自愿提供的。例如，您口袋里的智能手機可能會使用 Google 的 Now（“OK Google”）或 Apple 的 Siri 語音命令應(yīng)用程序，這些應(yīng)用程序使用深度學(xué)習(xí)算法（稱為（人工）神經(jīng)網(wǎng)絡(luò)）的強大功能來實現(xiàn)語音識別和學(xué)習(xí)能力。然而，除了與手機通話的樂趣和便利之外，還有大量工業(yè)、汽車和商業(yè)應(yīng)用程序現(xiàn)在受益于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的強大功能。稱為（人工）神經(jīng)網(wǎng)絡(luò)，以實現(xiàn)語音識別和學(xué)習(xí)能力。然而，除了與手機通話的樂趣和便利之外，還有大量工業(yè)、汽車和商業(yè)應(yīng)用程序現(xiàn)在受益于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的強大功能。稱為（人工）神經(jīng)網(wǎng)絡(luò)，以實現(xiàn)語音識別和學(xué)習(xí)能力。然而，除了與手機通話的樂趣和便利之外，還有大量工業(yè)、汽車和商業(yè)應(yīng)用程序現(xiàn)在受益于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的強大功能。

卷積神經(jīng)網(wǎng)絡(luò)

在查看其中一些應(yīng)用程序之前，讓我們先研究一下神經(jīng)網(wǎng)絡(luò)的工作原理以及它需要哪些資源。當(dāng)我們一般談?wù)撋窠?jīng)網(wǎng)絡(luò)時，我們應(yīng)該更準(zhǔn)確地將它們描述為人工神經(jīng)網(wǎng)絡(luò)。作為軟件算法實現(xiàn)，它們基于人類和動物的生物神經(jīng)網(wǎng)絡(luò)——中樞神經(jīng)系統(tǒng)。多年來，人們構(gòu)想了幾種不同類型的神經(jīng)網(wǎng)絡(luò)架構(gòu)，其中卷積神經(jīng)網(wǎng)絡(luò) （CNN） 得到了最廣泛的采用。造成這種情況的主要原因之一是他們的架構(gòu)方法使它們非常適合使用基于 GPU 和 FPGA 設(shè)備的硬件加速器提供的并行化技術(shù)。CNN 受歡迎的另一個原因是它們適合處理具有大量空間連續(xù)性的數(shù)據(jù)，其中圖像處理應(yīng)用程序非常適合。空間連續(xù)性是指特定位置附近的像素共享相似的強度和顏色屬性。CNN 由不同的層構(gòu)成，每個層都有特定的目的，并且在它們的操作中使用了兩個不同的階段。第一部分是指令或訓(xùn)練階段，它允許處理算法了解它擁有哪些數(shù)據(jù)以及每條數(shù)據(jù)之間的關(guān)系或上下文。CNN 是作為結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的學(xué)習(xí)框架創(chuàng)建的，計算機創(chuàng)建的神經(jīng)元形成連接和中斷網(wǎng)絡(luò)。模式匹配是 CNN 背后的一個關(guān)鍵概念，

?

?

?

圖 1：CNN 的層方法（來源：Wikipedia – credit Aphex34 1）。

更多關(guān)于 CNN 工作原理的信息可以在Cadence 1a的一篇論文中找到，以及一個有用的視頻1b，該視頻錄制在最近的 IEEE 協(xié)會關(guān)于計算新前沿的會議上。當(dāng)Microsoft 研究團(tuán)隊1c贏得 ImageNet 計算機視覺挑戰(zhàn)時，CNN 對圖像處理應(yīng)用程序的有用性的證據(jù)獲得了進(jìn)一步的尊重。

CNN 的第二階段是執(zhí)行階段。由不同的層節(jié)點組成，關(guān)于什么可能的圖像可能變得越來越抽象的命題。卷積層從圖像源中提取低級特征，以檢測圖像中的線條或邊緣等特征。其他層，稱為池化層，用于通過平均或“池化”圖像特定區(qū)域的共同特征來減少變化。然后可以將其傳遞給進(jìn)一步的卷積和池化層。CNN 層的數(shù)量與圖像識別的準(zhǔn)確性相關(guān)，盡管這增加了系統(tǒng)性能需求。如果內(nèi)存帶寬可用，這些層可以以并行方式運行，CNN 中計算最密集的部分是卷積層。

開發(fā)人員面臨的挑戰(zhàn)是他們?nèi)绾翁峁┳銐蚋叩挠嬎阗Y源來運行 CNN，以確定在應(yīng)用程序的時間限制內(nèi)所需的不同圖像分類的數(shù)量。例如，工業(yè)自動化應(yīng)用程序可能會使用計算機視覺來識別需要將零件傳送到傳送帶上的下一個階段。在神經(jīng)網(wǎng)絡(luò)識別出零件之前暫停該過程會破壞流程并減慢生產(chǎn)速度。

實現(xiàn) CNN

加速部分 CNN 正在進(jìn)行的“強化”學(xué)習(xí)和執(zhí)行階段將顯著加速這項主要是數(shù)學(xué)任務(wù)。憑借其高內(nèi)存帶寬和計算能力，GPU 和 FPGA 是這項工作的潛在候選者。具有任何馮諾依曼架構(gòu)所表現(xiàn)出的緩存瓶頸的傳統(tǒng)微處理器可以運行算法，但將層抽象任務(wù)移交給硬件加速器。雖然 GPU 和 FPGA 都提供了顯著的并行處理能力，但 GPU 固定架構(gòu)的性質(zhì)意味著 FPGA 具有靈活且可動態(tài)重新配置的架構(gòu)更適合 CNN 加速任務(wù)。使用非常精細(xì)的方法，本質(zhì)上是在硬件中實現(xiàn) CNN 算法，與 GPU 的軟件衍生算法方法相比，F(xiàn)PGA 架構(gòu)有助于將延遲保持在絕對最小值，并且更具確定性。FPGA 的另一個優(yōu)點是能夠在設(shè)備結(jié)構(gòu)中“硬化”功能塊，例如 DSP。這種方法進(jìn)一步加強了網(wǎng)絡(luò)的確定性。就資源使用而言，F(xiàn)PGA 非常高效，因此每個 CNN 層都可以在 FPGA 結(jié)構(gòu)內(nèi)構(gòu)建，并且它自己的內(nèi)存靠近它。

?

?

圖 2：圖像處理 CNN 概述（來源：Cadence 2）。

圖 2 突出顯示了為工業(yè)圖像處理應(yīng)用程序設(shè)計的 CNN 的關(guān)鍵組件塊，中間的兩個塊代表 CNN 的核心。

使用 C 語言的OpenCL 2a并行編程擴展來補充基于 FPGA 的 CNN 加速應(yīng)用程序的開發(fā)。適用于卷積神經(jīng)網(wǎng)絡(luò)的 FPGA 器件的一個示例是英特爾可編程解決方案集團(tuán) （PSG）的Arria 10系列器件，其正式名稱為Altera。

為了幫助開發(fā)人員開展基于 FPGA 的 CNN 加速項目，英特爾 PSG 提供了 CNN 參考設(shè)計。這使用 OpenCL 內(nèi)核來實現(xiàn)每個 CNN 層。數(shù)據(jù)使用通道和管道從一層傳遞到下一層，該功能允許數(shù)據(jù)在 OpenCL 內(nèi)核之間傳遞，而無需消耗外部內(nèi)存帶寬。卷積層是使用 FPGA 中的 DSP 模塊和邏輯實現(xiàn)的。硬化塊包括浮點功能，可進(jìn)一步提高設(shè)備吞吐量，而不必影響可用內(nèi)存帶寬。

圖 3 所示的框圖突出顯示了可以使用 FPGA 作為加速處理單元的示例圖像處理和分類系統(tǒng)。

?

?

圖 3：使用 FPGA 進(jìn)行加速的圖像分類系統(tǒng)框圖（來源：FPGA 上的深度學(xué)習(xí)，過去、現(xiàn)在和未來3）。

英特爾 PSG 還在其網(wǎng)站4上提供了許多有關(guān)將 FPGA 卷積神經(jīng)網(wǎng)絡(luò)用于工業(yè)、醫(yī)療和汽車應(yīng)用的主題的有用文檔和視頻。為深度學(xué)習(xí)應(yīng)用程序選擇框架是關(guān)鍵的第一步。為了幫助開發(fā)人員，有越來越多的工具，例如OpenANN （openann.github.io），這是一個用于人工神經(jīng)網(wǎng)絡(luò)的開源庫，以及諸如deeplearning.net和Embedded-vision.com等信息豐富的社區(qū)站點。包括對使用 OpenCL 的支持的流行深度學(xué)習(xí)設(shè)計框架包括Caffe（caffe.berkeleyvision.org），基于 C++ 和基于 Lua 的 Torch。DeepCL 是另一個完全支持 OpenCL 的框架，盡管它尚未獲得前兩者的用戶群。

結(jié)論

工業(yè)市場熱衷于利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)可以為許多制造和自動化控制應(yīng)用帶來的特性。由于德國的工業(yè) 4.0 等舉措以及更廣泛的工業(yè)物聯(lián)網(wǎng)概念，這一重點得到了進(jìn)一步的推動。與高質(zhì)量的視覺相機、CPU 和 FPGA 解決方案以及相關(guān)控制相結(jié)合，卷積神經(jīng)網(wǎng)絡(luò)可用于自動執(zhí)行大量制造過程檢查，從而提高產(chǎn)品質(zhì)量、可靠性和工廠安全性。

憑借其動態(tài)可配置的邏輯結(jié)構(gòu)、高內(nèi)存帶寬和功率效率，F(xiàn)PGA 非常適合加速 CNN 的卷積層和池化層。在大量社區(qū)驅(qū)動的開源框架和并行代碼庫（如 OpenCL）的支持下，未來在此類應(yīng)用中使用 FPGA 是安全的。FPGA 提供了一種高度可擴展和靈活的解決方案，可以滿足許多工業(yè)部門的不同應(yīng)用需求。