由腾讯云基础产品中心和腾讯架构平台部组成的腾讯云FPGA联合团队介绍了国内首款FPGA云服务器深度学习算法（AlexNet）的工程实现，并讨论了深度学习算法FPGA硬件加速平台的体系结构。 1月20日，腾讯云推出了该国首个高性能异构计算基础架构FPGA云服务器，它将大公司只能为长期使用付费的FPGA形式以云服务的形式传播给更多公司。通过支付通用CPU成本的40％左右，性能可以提高到通用CPU服务器的30倍以上。要共享的具体内容如下：1.。总结2016 2016年3月，AI Go程序AlphaGo击败了国际象棋玩家李世石，激发了业界对人工智能发展的热情，而人工智能已成为未来的趋势。人工智能包括三个要素：算法，计算和数据。当前，最主流的人工智能算法是深度学习。用于计算的相应硬件平台是：CPU，GPU，FPGA和ASIC。由于移动互联网的出现，门户网站应用程序每天收集用户每天生成的大量数据：搜索和通信。在我们的QQ和微信业务中，用户每天生成的图片数亿。如果我们将这些用户生成的数据视为矿床，则将与计算对应的硬件平台视为挖掘机，并且挖掘机的开采效率是计算硬件平台比较的各个标准。最初，深度学习算法的主要计算平台是CPU。因为CPU是通用的，并且硬件框架已经成熟，所以它对程序员非常友好。但是，当深度学习算法要求越来越多的计算能力时，人们发现执行深度学习的CPU效率不高。为了满足CPU的多功能性，大部分芯片面积用于复杂的控制流和Cache高速缓存，而计算单元则没有太多的面积。这时，GPU进入了深度学习研究人员的视野。 GPU的最初目的是图像渲染，并且图像渲染算法相对独立于像素。 GPU提供了大量并行计算单元，它们可以同时对许多像素执行并行处理。该体系结构可用于深度学习算法。 GPU运行深度学习算法的速度比CPU快得多，但是由于价格高昂，功耗大，它给IDC的大规模部署带来了许多问题。有人会问，如果一个ASIC专为深度学习而设计，它会比GPU效率更高吗？实际上，要真正制作一个深度学习专用芯片面临很大的不确定性，首先，必须使用最佳的半导体制造工艺来提高性能，但是现在使用最新工艺制造芯片的一次性成本为数百万美元。 。消除资金问题，组织研发团队从头开始设计。完整的设计周期时间通常超过一年，但是当前的深度学习算法会不断更新。设计的专用芯片架构是否适合于最新的深度学习算法，这存在很大的风险。有人可能会问Google是否不是为深度学习而设计的专用芯片TPU？从Google目前宣布的性能/功率比改进（超过十倍的改进）来看，它还远远没有达到专用处理器的上限。因此，很可能实质上采用具有较低数据位宽度的类GPU架构。它可能仍然具有强大的多功能性。近年来，FPGA吸引了所有人的注意力。亚马逊和Facebook等互联网公司已在数据中心中批量部署了FPGA，以为其自身的深度学习和云服务提供硬件平台。 FPGA的全名是“现场可编程门阵列”。 （现场可编程门阵列）。它的基本原理是在FPGA芯片中集成大量基本的数字电路门电路和存储器，用户可以通过对FPGA配置文件进行编程来定义这些门电路和存储器。记忆之间的连线。这种老化不是一次性的，也就是说，用户今天可以将FPGA配置为图像编解码器，明天用户可以编辑配置文件以将同一FPGA配置为音频编解码器。此功能可以大大提高数据中心服务的灵活性。能力。因此，在FPGA中，可以快速实现为深度学习算法开发的芯片架构，