GPU是图形处理器，GPU在很多方面都有应用，例如手机，计算机等。
在前两篇文章中，编辑器介绍了GPU和图形卡之间的关系以及GPU渲染。
为了增进大家对GPU的理解，本文将解释GPU和FPGA，因为有很多人将两者进行比较。
如果您对GPU感兴趣，则不妨继续阅读。
就峰值性能而言，GPU（10Tflops）比FPGA（＜1TFlops）高得多。
GPU上的数千个内核同时以GHz频率运行仍然非常出色，最新的GPU峰值性能可以达到10TFlops以上。
GPU架构已经过精心设计（例如，使用深层管道，重新定型和其他技术）。
电路实现基于标准单元库，并且可以在关键路径上手动定制电路，即使有必要，半导体晶圆厂也可以基于设计要求。
微调该过程，因此许多内核可以同时以很高的频率运行。
相对而言，一开始FPGA的设计资源受到很大限制。
例如，如果要向GPU添加更多核，则仅需要增加芯片面积，但是一旦选择了FPGA模型，就将确定逻辑资源的上限（浮点运算为Take占用了大量资源）。
而且，FPGA中的逻辑单元基于SRAM查找表，其性能将比GPU中的标准逻辑单元差很多。
最后，FPGA路由资源也很有限（某些线路必须走很远），而GPU可以通过ASIC流随意路由，这也会限制性能。
除了芯片性能之外，GPU相对于FPGA的另一个优势是存储器接口。
GPU内存接口（传统的GDDR，以及最近的HBM和HBM2）的带宽比FPGA的传统DDR接口好得多，众所周知，服务器端机器学习算法需要频繁的内存访问。
但是就灵活性而言，FPGA远远优于GPU。
FPGA可以根据特定的应用程序对硬件进行编程（例如，如果应用程序中有很多加法运算，则可以使用很多逻辑资源来实现加法器），但是一旦设计了GPU，就不能已更改，因此无法根据应用进行调整。
硬件资源。
当前，大多数机器学习都适合使用SIMD架构（也就是说，仅一条指令就可以并行处理大量数据），因此GPU非常适合。
但是某些应用程序是MISD（也就是说，单个数据需要与许多指令并行处理。
微软在2014年引用了MISD的示例在ISCApaper中并行提取功能）。
在这种情况下，使用FPGA作为MISD架构将具有优于GPU的优势。
但是，FPGA编程对于程序员来说并不容易，因此为了使机器学习程序员可以方便地使用FPGA，通常需要在FPGA公司提供的编译器的基础上进行二次开发。
这些只是大公司。
做。
由FPGA实现的机器学习加速器的体系结构可以针对特定应用进行优化，因此它们具有优于GPU的优势，但是GPU的运行速度（＆gt; 1 GHz）具有优于FPGA（〜200MHz）的优势。
因此，平均性能取决于FPGA加速器架构的优势是否可以弥补运行速度的劣势。
如果FPGA上的架构优化可以比GPU架构带来两到三个数量级的优势，那么FPGA的平均性能将优于GPU。
例如，百度在HotChips上发表的论文表明，在矩阵操作等标准批处理数据SIMDbench上，GPU的平均性能远远优于FPGA。
但是，它在服务器端处理少量的多个处理请求（即频繁的请求，但每个数据请求）。
当数量和计算量不大时，平均性能将优于GPU。
在功耗方面，尽管GPU（200W）的功耗远大于FPGA（10W）的功耗，但是如果要比较功耗，则应在执行效率为相同。
如果FPGA架构优化如此出色，以至于FPGA的平均性能可以接近GPU的平均性能，那么FPGA解决方案的总功耗将远小于GPU的总功耗，并且散热问题可能是大大减少了。
相反，如果需要二十个FPGA来实现GPU的平均性能，则FPGA在功耗方面就没有优势。
能源效率比的比较