如何用 FPGA 加速机器学习？Xilinx CTO 办公室杰出工程师告诉您

　AI  ( 人工智能) 现在完全处于图像识别市场的主导地位，因为卷积神经网络 (CNN) 的表现不仅远远超越同类竞争机器实现方案，甚至让人类的图像识别能力也相形见绌。基本的 CNN 算法需要大量的计算和数据重复使用，这正是 FPGA 实现方案的优势。

　　上个月，赛灵思 CTO 办公室的杰出工程师 Ralph Wittig 在 2016 年 OpenPOWER 峰会上做了 20 分钟的演讲，讨论了 CNN 的当前技术最新发展水平以及包括清华大学等在内各个大学的一些研究结果。

　　这为我们带来了几个与 CNN 算法实现方案功耗相关且备受关注的结论：

　　详细内容请观看 Ralph Wittig 在 OpenPOWER 峰会上的演讲视频：

　　在本视频中，Wittig 还说明了两款 CNN 相关产品的使用情况。 这两款产品此前在 Xcell Daily 中有报道：

1. 与 CAPI 兼容的 Alpha Data ADM-PCIE-8K5 PCIe 加速板。（请参见：Alpha Data 面向 x86 和 IBM Power8/9 数据中心及云服务器的 ADM-PCIE-8K5 PCIe 加速板使用 Kintex UltraScale FPGA。）

2. Auviz Systems 的 AuvizDNN（深度神经网络）库。（请参见：深入了解 AuvizSystems 的卷积神经网络性能加速、云端的机器学习：FPGA 上的深度神经网络 以及 Auviz 图像处理及计算机视觉库与赛灵思 SDAccel 相配合，可为 FPGA 实现堪比 GPU 的性能。）