我的一位同事對此進行了基準測試，得出的結論是，一旦您完成了大約100多個適合獨立應用程序的 ， integer 任務，FPGA的性能將超越PC。 FPGA。對於浮點任務，GPGPU始終優於FPGA。對於狹窄的多線程或SIMD操作，CPU進行了非常優化，並以比FPGA通常所能達到的更高的時鐘速度運行。

其他警告：任務必須獨立。如果任務之間存在數據相關性，那麼這將限制計算的關鍵路徑。 FPGA適用於布爾評估和整數數學以及硬件低延遲接口，但不適用於與內存相關的工作負載或浮點運算。

如果您必須將工作負載保存在DRAM中，則可以瓶頸，而不是處理器。

FPGA的工作原理與處理器完全不同。

對於處理器，您編寫的軟件會告訴硬件該怎麼做。在FPGA上，您內部描述了“硬件外觀”。就像您正在為算法專門製造芯片一樣。

這可以加速很多事情，並且可以降低功耗。但是它有缺點：開發需要更長的時間並且要復雜得多。您需要以完全不同的方式進行思考，並且不能使用直接用於軟件的算法。

對於人工神經網絡而言，FPGA是一個不錯的選擇。在這個領域有很多正在進行的研究。

這在很大程度上取決於算法，但是原理可以很簡單地解釋。

假設您的算法必須對很多8位數字求和。您的CPU仍將需要提取每個指令，從RAM或高速緩存中獲取操作數，執行總和，將結果存儲在高速緩存中，然後繼續進行下一個操作。管道有所幫助，但是您只能執行與內核一樣多的同時操作。

如果使用FPGA，則可以實現大量並行工作的簡單加法器，可能會累加數千個總和。儘管單個操作可能會花費更多時間，但是您具有很高的並行度。

您還可以使用GPGPU來完成類似的任務，因為它們也是由許多更簡單的內核組成。

計算機設備的專業化大約分為3個級別：

CPU（就像您的筆記本電腦一樣）是所有設備中最通用的。它可以做所有事情，但是這種多功能性是以低速和高功耗為代價的。 CPU可以隨時隨地進行編程，指令來自RAM。用於CPU的程序快速，廉價，易於編寫且易於更改。

FPGA（這意味著現場可編程門陣列）是中間層。顧名思義，它可以在工廠外“現場”編程。 FPGA通常會被編程一次，此過程可描述為設置其內部結構。完成此過程後，它的行為就像是一台專門針對您為其選擇的任務的微型計算機。這就是為什麼它的性能要優於通用CPU的原因。對FPGA進行編程非常困難且昂貴，而對其進行調試則非常困難。

ASIC（意味著專用集成電路）是最終的專家。它是為一項任務和僅一項任務而設計和生產的芯片，它可以非常快速，高效地完成任務。無法對ASIC進行重新編程，它使出廠時得到完全定義，並且在不再需要其工作時無用。設計ASIC是只有大公司才能付得起的東西，調試它們是好事，幾乎是不可能的。能完成所有工作的核心。 ASICS通常具有成千上萬個內核，但只有很小的內核，只能具有一件事。

您可以查看比特幣採礦社區。它們執行SHA256哈希。

• CPU核心i7：0.8-1.5 M哈希/秒
• FPGA：5-300M哈希/秒
• ASIC：每一個微小的芯片12000M哈希/秒，一個160芯片設備的2000000M（是2T）哈希/秒

當然，那些ASIC嬰兒在批量生產時花費近2000美元，但是它為您提供了一個萬事通可以與專家抗衡的想法。

唯一的問題是：FPGA可以為您帶來比設計所需的更多節省嗎？當然，您可以嘗試在20 PCS上運行而不是在一台筆記本電腦上運行。

是的，FPGA在某些特殊任務上可以勝過現代CPU（例如Intel i7），但是有改善神經網絡性能的更簡便，更便宜的方法。

便宜-我的意思是全力以赴，不是FPGA IC的成本，而是FPGA的非常快的存儲空間（神經網絡需要它）和整個開發過程。

1. 使用 SSE-我看到了非常簡單的神經網絡實現，其性能提高了2-3倍。如果您的筆記本電腦中沒有專用的GPU，那麼這可能是個好主意。

   Vincent Vanhoucke和Andrew Senior提高了CPU上神經網絡的速度

2. 使用 GPGPU（圖形處理單元上的通用計算）-我認為您可以在GeForce 730M等中型筆記本電腦GPU上實現100-200倍的性能提升。

   這是神經網絡實現（和免費代碼）。它使用Nvidia CUDA。

   GPGPU方法具有很高的可擴展性，如果在某個時候您意識到需要更多的計算能力-您可以僅使用具有更強大GPU的台式機，甚至可以使用具有4992內核的Nvidia Tesla K80（多數民眾贊成在那）。

ol>