云中的機器學習：FPGA 上的深度神經網絡

憑借出色的性能和功耗指標，賽靈思 FPGA 成為設計人員構建卷積神經網絡的首選 XE XE XE XE 。新的軟件工具可簡化實現工作。

人工智能正在經歷一場變革，這要得益于機器學習的快速進步。在機器學習領域，人們正對一類名為“深度學習”算法產生濃厚的興趣，因為這類算法具有出色的大數據集性能。在深度學習中，機器可以在監(jiān)督或不受監(jiān)督的方式下從大量數據中學習一項任務。大規(guī)模監(jiān)督式學習已經在圖像識別和語音識別等任務中取得巨大成功。

深度學習技術使用大量已知數據找到一組權重和偏差值，以匹配預期結果。這個過程被稱為訓練，并會產生大型模式。這激勵工程師傾向于利用專用硬件(例如 GPU)進行訓練和分類。

隨著數據量的進一步增加，機器學習將轉移到云。大型機器學習模式實現在云端的 CPU 上。盡管 GPU 對深度學習算法而言在性能方面是一種更好的選擇，但功耗要求之高使其只能用于高性能計算集群。因此，亟需一種能夠加速算法又不會顯著增加功耗的處理平臺。在這樣的背景下，FPGA 似乎是一種理想的選擇，其固有特性有助于在低功耗條件下輕松啟動眾多并行過程。

讓我們來詳細了解一下如何在賽靈思 FPGA 上實現卷積神經網絡 (CNN)。CNN 是一類深度神經網絡，在處理大規(guī)模圖像識別任務以及與機器學習類似的其他問題方面已大獲成功。在當前案例中,針對在 FPGA 上實現 CNN 做一個可行性研究，看一下 FPGA 是否適用于解決大規(guī)模機器學習問題。

卷積神經網絡是一種深度神經網絡 (DNN)，工程師最近開始將該技術用于各種識別任務。圖像識別、語音識別和自然語言處理是 CNN 比較常見的幾大應用。

什么是卷積神經網絡?

卷積神經網絡是一種深度神經網絡 (DNN)，工程師最近開始將該技術用于各種識別任務。圖像識別、語音識別和自然語言處理是 CNN 比較常見的幾大應用。

2012 年,Alex Krishevsky 與來自多倫多大學 (University of Toronto) 的其他研究人員 [1] 提出了一種基于 CNN 的深度架構，贏得了當年的“Imagenet 大規(guī)模視覺識別挑戰(zhàn)”獎。他們的模型與競爭對手以及之前幾年的模型相比在識別性能方面取得了實質性的提升。自此，AlexNet 成為了所有圖像識別任務中的對比基準。

AlexNet 有五個卷積層和三個致密層(圖 1)。每個卷積層將一組輸入特征圖與一組權值濾波器進行卷積，得到一組輸出特征圖。致密層是完全相連的一層，其中的每個輸出均為所有輸入的函數。

卷積層

AlexNet 中的卷積層負責三大任務，如圖 2 所示：3D 卷積;使用校正線性單元 (ReLu) 實現激活函數;子采樣(最大池化)。3D 卷積可用以下公式表示：

其中Y(m,x,y)是輸出特征圖m位置(x,y)處的卷積輸出，S是(x,y)周圍的局部鄰域，W是卷積濾波器組，X(n,x,y)是從輸入特征圖n上的像素位置(x,y)獲得的卷積運算的輸入。

圖 1 – AlexNet 是一種圖像識別基準，包含五個卷積層(藍框)和三個致密層(黃)。

圖 2 – AlexNet 中的卷積層執(zhí)行 3D 卷積、激活和子采樣。

所用的激活函數是一個校正線性單元，可執(zhí)行函數Max(x,0)。激活函數會在網絡的傳遞函數中引入非線性。最大池化是 AlexNet 中使用的子采樣技術。使用該技術，只需選擇像素局部鄰域最大值傳播到下一層。

定義致密層

AlexNet 中的致密層相當于完全連接的層，其中每個輸入節(jié)點與每個輸出節(jié)點相連。AlexNet 中的第一個致密層有 9,216 個輸入節(jié)點。將這個向量乘以權值矩陣，以在 4,096 個輸出節(jié)點中產生輸出。在下一個致密層中，將這個 4,096 節(jié)點向量與另一個權值矩陣相乘得到 4,096 個輸出。最后，使用 4,096 個輸出通過 softmax regression 為 1,000 個類創(chuàng)建概率。

在 FPGA 上實現 CNN

隨著新型高級設計環(huán)境的推出，軟件開發(fā)人員可以更方便地將其設計移植到賽靈思 FPGA 中。軟件開發(fā)人員可通過從 C/C++ 代碼調用函數來充分利用 FPGA 與生俱來的架構優(yōu)勢。Auviz Systems 的庫(例如 AuvizDNN)可為用戶提供最佳函數，以便其針對各種應用創(chuàng)建定制 CNN?？稍谫愳`思 SD-Accel™ 這樣的設計環(huán)境中調用這些函數，以在 FPGA 上啟動內核。

最簡單的方法是以順序方式實現卷積和向量矩陣運算。考慮到所涉及計算量，因此順序計算會產生較大時延。

順序實現產生很大時遲的主要原因在于 CNN 所涉及的計算的絕對數量。圖 3 顯示了 AlexNet 中每層的計算量和數據傳輸情況，以說明其復雜性。

圖 3 – 圖表展示了 AlexNet 中涉及的計算復雜性和數據傳輸數量。