详解人工智能芯片 CPU/GPU/FPGA有何差异
发布网友
发布时间：2022-04-22 07:59
共2个回答
热心网友
时间：2022-06-18 05:19
GPU与CPU的区别：CPU的内核比较少（单核、双核、四核、八核等等），比较复杂，功能强大；GPU的内核比较多（好几百甚至上千个），但比较简单，功能单一，适合于进行像素级并行图形处理。虽然GPU最初是为图形处理而设计的，但由于它具有并行处理特性，现在已经将其应用到众多的需要并行处理的非图形领域了。例如DNA 排序、物理建模、消费者行为预测、GPU云服务器等等。
GPU与深度学习的关系：原本深度学习与图形无关，当然也与图形处理器GPU无关。深度学习需要大量的训练，训练算法并不复杂，但数据量大。如果用CPU进行训练，CPU的内核少，训练时间就长；而GPU的多内核优势在此时就发挥出来了。因此，玩深度学习的人，在进行训练时，就借用GPU的多内核、并行处理的优势，将GPU用到了非图形领域。
FPGA也有并行处理优势，也可以设计成具有多内核特点的硬件。所以，目前深度学习就存在采用GPU和FPGA这两大类硬件的现状。
热心网友
时间：2022-06-18 05:19
第一、IBM与全球第一大FPGA厂商Xilinx合作，主攻大数据和云计算方向，这引起Intel的巨大担忧。
Intel已经在移动处理器落后，大数据和云计算领域不能再落后。
第二、FPGA在云计算、大数据领域将深入应用。
Intel此次与Altera合作，将开放Intel处理器的内部接口，形成CPU+FPGA的组合模式。
其中FPGA用于整形计算，cpu进行浮点计算和调度，此组合的拥有更高的单位功耗性能和更低的时延。
第三、IC设计和流片成本。
随着半导*程指数增长，FPGA在物联网领域将替代高价值、批量相对较小（5万片以下）、多通道计算的专用设备替代ASIC。
同时，FPGA开发周期比ASIC短50%，可以用来快速抢占市场。
