FPGA สามารถทำงานกับพีซีแบบมัลติคอร์ได้หรือไม่?

ฉันไม่เข้าใจว่า FPGA สามารถใช้เร่งอัลกอริทึมได้อย่างไร ขณะนี้ฉันกำลังใช้อัลกอริทึมเรียลไทม์แบบเสียเวลาบนแล็ปท็อป quadcore เพื่อให้สามารถคำนวณสี่แบบพร้อมกันได้

ฉันได้รับแจ้งเมื่อเร็ว ๆ นี้ว่า FPGA อาจให้ประสิทธิภาพที่ดียิ่งขึ้น ฉันไม่เข้าใจวิธีการทำงาน มีใครช่วยอธิบายวิธีที่ FPGA เร่งอัลกอริทึมและถ้าฉันควรเปลี่ยนเป็นโซลูชัน Xilinx หรือ Altera FPGA หรือทำการคำนวณบนแล็ปท็อป quadcore ของฉันต่อไป

รายละเอียดเพิ่มเติม: อัลกอริทึมทำงาน 20 เครือข่ายประสาทเทียมโดยใช้อินพุตที่ป้อนผ่านการแปลงแพ็คเก็ตเวฟเล็ต

ขอบคุณทุกท่านสำหรับคำตอบที่ดี

เพื่อนร่วมงานของผม benchmarked นี้และมาสรุปว่า FPGAs จะมีประสิทธิภาพสูงกว่าเครื่องคอมพิวเตอร์เมื่อคุณมีมากกว่าประมาณ 100 อิสระ , จำนวนเต็มงานที่จะพอดีงาน FPGA สำหรับงานที่มีคะแนนลอยตัว GPGPU จะชนะ FPGA ไปตลอด สำหรับการทำงานแบบมัลติเธรดหรือ SIMD แบบแคบซีพียูจะได้รับการปรับให้เหมาะสมที่สุดและทำงานที่ความเร็วสัญญาณนาฬิกาสูงกว่า FPGA โดยทั่วไป

caveats อื่น ๆ : งานจะต้องเป็นอิสระ หากมีการพึ่งพาข้อมูลระหว่างงานนั้นจะ จำกัด เส้นทางที่สำคัญของการคำนวณ FPGA นั้นดีสำหรับการประเมินบูลีนและเลขจำนวนเต็มรวมถึงอินเทอร์เฟซที่มีความหน่วงต่ำ แต่ไม่เหมาะสำหรับปริมาณงานหรือหน่วยความจำลอยตัว

หากคุณต้องเก็บภาระงานไว้ใน DRAM นั่นจะเป็นปัญหาคอขวดมากกว่าตัวประมวลผล

FPGA ทำงานแตกต่างจากโปรเซสเซอร์อย่างสิ้นเชิง

สำหรับโปรเซสเซอร์คุณเขียนซอฟต์แวร์ที่บอกฮาร์ดแวร์ว่าต้องทำอย่างไร ใน FPGA คุณอธิบาย "สิ่งที่ฮาร์ดแวร์ควรมีลักษณะ" ภายใน ราวกับว่าคุณกำลังสร้างชิปที่ทำขึ้นเป็นพิเศษสำหรับอัลกอริทึมของคุณ

สิ่งนี้เร่งความเร็วได้หลายอย่างและสามารถลดการใช้พลังงานลงได้ แต่มันมีข้อเสีย: การพัฒนาใช้เวลานานกว่าและซับซ้อนกว่ามาก คุณต้องคิดด้วยวิธีที่แตกต่างไปจากเดิมอย่างสิ้นเชิงและไม่สามารถใช้อัลกอริธึมที่ทำงานกับซอฟต์แวร์ได้อย่างตรงไปตรงมา

สำหรับเครือข่ายประสาทเทียม FPGA เป็นตัวเลือกที่ยอดเยี่ยม มีการวิจัยอย่างต่อเนื่องในพื้นที่นี้

มันขึ้นอยู่กับอัลกอริทึมมาก แต่หลักการสามารถอธิบายได้ค่อนข้างง่าย

สมมติว่าอัลกอริทึมของคุณต้องรวมจำนวน 8 บิตเป็นจำนวนมาก CPU ของคุณยังคงต้องดึงคำสั่งแต่ละคำสั่งรับตัวถูกดำเนินการจาก RAM หรือหน่วยความจำแคชดำเนินการผลรวมเก็บผลลัพธ์ไว้ในแคชและดำเนินการต่อไป ไปป์ไลน์ช่วย แต่คุณสามารถดำเนินการพร้อมกันได้มากเท่าที่คุณมี

หากคุณใช้ FPGA คุณสามารถติดตั้งตัวเพิ่มแบบง่ายจำนวนมากที่ทำงานในแบบคู่ขนานซึ่งอาจทำให้เกิดผลรวมกันหลายพันขนานกัน แม้ว่าการดำเนินการครั้งเดียวอาจใช้เวลานาน แต่คุณมีความเท่าเทียมในระดับสูง

คุณยังสามารถใช้ GPGPU เพื่อทำงานที่คล้ายกันเนื่องจากทำจากแกนที่เรียบง่ายกว่ามากมาย

อุปกรณ์คอมพิวเตอร์มีความเชี่ยวชาญประมาณ 3 ระดับ:

ซีพียู (เหมือนในแล็ปท็อปของคุณ) เป็นสิ่งที่พบได้ทั่วไปที่สุด มันสามารถทำทุกอย่างได้ แต่ความเก่งกาจนี้มาในราคาที่ช้าและใช้พลังงานสูง ซีพียูถูกตั้งโปรแกรมในระหว่างการเดินทางคำแนะนำมาจาก RAM โปรแกรมสำหรับ CPU นั้นรวดเร็วเขียนง่ายและเปลี่ยนแปลงได้ง่าย

FPGA (ซึ่งหมายถึงอาร์เรย์ประตูที่ตั้งโปรแกรมได้) เป็นระดับกลาง เนื่องจากชื่อมีความหมายว่าสามารถตั้งโปรแกรม "ในฟิลด์" ซึ่งอยู่นอกโรงงาน FPGA มักจะได้รับการโปรแกรมหนึ่งครั้งกระบวนการนี้สามารถอธิบายได้ว่าเป็นการตั้งค่าโครงสร้างภายใน หลังจากกระบวนการนี้มันจะทำงานเหมือนคอมพิวเตอร์ขนาดเล็กที่มีความเฉพาะสำหรับงานที่คุณเลือกไว้ นี่คือเหตุผลว่าทำไมมันถึงดีกว่าซีพียูทั่วไป การเขียนโปรแกรม FPGA นั้นยากและมีราคาแพงและการดีบั๊กนั้นยากมาก

ASIC (ซึ่งหมายความว่า Application Specific Integrated Circuit) เป็นผู้เชี่ยวชาญขั้นสูงสุด มันเป็นชิปที่ออกแบบและผลิตสำหรับงานหนึ่งงานเพียงงานเดียว - งานที่ทำได้รวดเร็วและมีประสิทธิภาพ ไม่มีความเป็นไปได้ที่จะทำการ reprogram ASIC อีกครั้งทำให้โรงงานถูกกำหนดอย่างสมบูรณ์และไม่มีประโยชน์เมื่อไม่จำเป็นต้องใช้งาน การออกแบบ ASIC เป็นสิ่งที่องค์กรขนาดใหญ่เท่านั้นที่สามารถจ่ายได้และการดีบั๊กพวกมันก็เป็นไปไม่ได้

หากคุณคิดว่าเป็น "แกนประมวลผล" ให้มองมันด้วยวิธีนี้: CPU มี 4, 6 หรือ 8 แกนใหญ่ที่สามารถทำทุกอย่างได้ ASICS มักมีแกนหลักหลายพันแกน แต่มีขนาดเล็กมากสามารถทำได้เพียงอย่างเดียวเท่านั้น

คุณสามารถดูชุมชนการขุด bitcoin พวกเขาทำแฮช SHA256

• CPU core i7: 0.8-1.5 M hash / s
• FPGA: 5-300M แฮช / s
• ASIC: hash 12000M ต่อชิปเล็กหนึ่งตัว 2000000M (yep, 2T) hash / s สำหรับอุปกรณ์ 160 ชิปหนึ่งตัว

แน่นอนว่าเด็ก ASIC เหล่านั้นมีค่าใช้จ่ายเกือบ $ 2,000 เมื่อมีการผลิตเป็นจำนวนมาก แต่มันให้ความคิดแก่คุณเกี่ยวกับวิธีที่แจ็คของการซื้อขายทั้งหมดสามารถทำหน้าที่เปรียบเทียบกับผู้เชี่ยวชาญได้

คำถามเดียวคือ FPGA สามารถให้คุณประหยัดได้มากกว่าการออกแบบที่จะเสียค่าใช้จ่ายหรือไม่ แน่นอนแทนที่จะเรียกใช้บนแล็ปท็อปหนึ่งตัวคุณสามารถลองใช้กับ 20 PCS ได้

ใช่ FPGA สามารถทำงานได้ดีกว่าซีพียูสมัยใหม่ (เช่น Intel i7) ในงานบางอย่างที่จำเพาะเจาะจง แต่มีวิธีที่ง่ายกว่าและราคาถูกกว่าในการปรับปรุงประสิทธิภาพเครือข่ายประสาท

โดยถูกกว่า - ฉันหมายถึงความพยายามทั้งหมดไม่ใช่ค่าใช้จ่าย FPGA IC แต่ยังมีหน่วยความจำที่รวดเร็วสำหรับ FPGA (คุณจะต้องใช้สำหรับเครือข่ายประสาทเทียม) และกระบวนการพัฒนาทั้งหมด

1. ใช้SSE - ฉันเคยเห็นการใช้งานเครือข่ายนิวรัลง่าย ๆ ด้วยประสิทธิภาพที่ดีขึ้น 2-3 เท่า นี่อาจเป็นความคิดที่ดีถ้าคุณไม่มี GPU เฉพาะในแล็ปท็อปของคุณ

   ปรับปรุงความเร็วของเครือข่ายประสาทเทียมบน CPU โดย Vincent Vanhoucke และ Andrew Senior

2. ใช้GPGPU (การคำนวณทั่วไปสำหรับหน่วยประมวลผลกราฟิก) - ฉันคิดว่าคุณสามารถเพิ่มประสิทธิภาพได้ 100-200x สำหรับ GPU แล็ปท็อประดับกลางเช่น GeForce 730M

   นี่คือการใช้งานเครือข่ายนิวรัล (และรหัสฟรี) ใช้ Nvidia CUDA

   วิธี GPGPU นั้นสามารถปรับขนาดได้อย่างมากหากในบางจุดคุณรู้ว่าคุณต้องการพลังการประมวลผลมากขึ้น - คุณสามารถใช้คอมพิวเตอร์เดสก์ท็อปที่มี GPU ที่ทรงพลังกว่าหรือแม้แต่ Nvidia Tesla K80 ที่มี 4992 คอร์ (ราคาแพง)