1樓：知否知否
其實用FPGA進行加速是一種折中方案，CPU不合適矩陣運算，GPU挺好，只不過對比FPGA來說，各有優劣勢.專用晶元當然會更好，然後現有神經網路技術並不是很成熟，新模型會被不斷提出並得到改進與發展，即使是專用神經網路晶元，對付各種模型，也很難做到通用。
吐槽一句：在某些人眼裡，什麼東西都是ASIC最合適，畢竟是設計和流片又不要錢！！
2樓：
以下只針對FPGA的神經網路加速：
用FPGA做神經網路加速主要是驗證IP。 驗證成功後去流片。
演算法階段驗證一般是CPU+GPU。 很少有人會用FPGA去做，因為成本太高，價效比太低。
生產上除非產量極小，要求功耗嚴格，需求特殊而無法用現有晶元。 否則也不會考慮FPGA的。
所以本質上說FPGA並不適合做神經網路加速。
3樓：zjulixin
FPGA來做神經網路運算受到關注主要有幾點：
FPGA內部非常適合並行的去做矩陣運算，而神經網路中很多卷積運算本質是矩陣運算。
相對ASIC，FPGA在運算時的能效比還是差很多，但是FPGA可程式設計，可以隨時改變網路結構和演算法，在現在這個演算法更新迭代迅速的時代，FPGA是乙個很不錯的選擇。
神經網路是萬能的嗎？有了神經網路為什麼還要學習其他演算法？
臥聽清風 理解到你說的演算法應該指的是用於影象識別，大資料分析，資料分類等相關的演算法。但演算法的定義遠不止此，比如資料儲存的資料結構設計，排序等，這些基本的方法是提高程式效率的基礎。這些演算法顯然目前深度學習是無法代替的。而對於具體的問題。比如影象識別，資料分類等，神經網路確實以其良好的效果，得到...
神經網路中的label smooth為什麼沒有火？
寶圖2borne 因為簡單，所以好實現，因為好實現，所以能看到效果改變，效果在大部分場景下不提公升，就很難火了。能火還是萬金油類的東西比較容易火 感謝各位大佬的回答 這裡補乙個很簡單的實現,方便大家參考 deflabel smoothing inputs epsilon 0.1 inputs 3d ...
神經網路為什麼有多個輸出？
往事俱沉暮雨瀟瀟 看你是做什麼任務。二分類最後保留乙個輸出就可以了。多分類要保留多個輸出，結果對應沒個類別的概率，方便建模。dnn也是有數學原理在裡面的，不是瞎掰出來的。 走在邊沿上 這個跟 距離 有關。假設你有三個標籤，1 2 3。如果輸出層只有乙個單元 假設輸入是乙個標籤為1的樣本，輸出結果2或...