30 倍效率，4 成费用，创业公司拥抱 AI 的另一个选择

作者：腾讯云 FPGA 团队

前景

随着 AI 这股热潮的发展，业界对人工智能发展的热情逐渐高涨，人工智能也成为了未来发展的趋势。中小型企业也期望搭上人工智能这辆列车。

过去，中小企业部署 FPGA 面临诸多问题：FPGA 硬件成本高、灵活性差、一次性采购投入大，需要高昂的费用和巨大精力进行 FPGA 的定制和采购， FPGA 硬件交易价格不透明，为保障服务稳定需高额的运维 IT 成本，并需配备相应的硬件工程师和软件工程师。

同时企业接下来还会面临 FPGA 芯片更新换代带来的资源闲置流转问题。虽然 FPGA 知识产权(FPGA IP，FPGA Intellectual Property)提供了业务所需的硬件加速功能，但研发周期长，研发投入和风险高，令诸多企业望而却步。

FPGA 是什么

人工智能包括三个要素：算法，计算和数据。人工智能算法目前最主流的是深度学习。计算所对应的硬件平台有：CPU、GPU、FPGA、ASIC。由于移动互联网的到来，用户每天产生大量的数据被入口应用收集：搜索(百度)、通讯(QQ、微信)。我们的 QQ、微信业务，用户每天产生的图片数量都是数亿级别，如果我们把这些用户产生的数据看成矿藏的话，计算所对应的硬件平台看成挖掘机，挖掘机的挖掘效率就是各个计算硬件平台对比的标准。

通用处理器（CPU）可提供高度的灵活性和易用性，可以低廉的价格生产，并且适用于多种用途和重复使用。但性能相对缺乏效率。

专用集成电路（ASIC）可提供高性能，但代价是不够灵活且生产难度更大。这些电路专用于某特定的应用程序，并且生产起来价格昂贵且耗时。

从灵活性而言，介于 CPU 和 ASIC 两者之间的处理器，使用比较多的异构处理器目前有两个，一个是 GPU，一个是 FPGA。

FPGA 属于一类更通用的可编程逻辑设备（PLD）， FPGA 既能提供集成电路的性能优势，又具备 CPU 可重新配置的灵活性。简单来说，FPGA 是一种可重新配置的「通用集成电路」。

GPU 的灵活性是介于 FPGA 与 CPU 之间。GPU 的核心数量一般是 CPU 的成百上千倍，计算能力要比 CPU 多出几个数量级，也更适合进行并行计算。但是如果计算里面有大量的分支，或者算法的数据前后存在依赖关系，使得算法无法并行运行，则 GPU 的性能优势会被大大减弱。

相比 GPU，FPGA 的可操控粒度更小，具备更高的灵活度和算法适应性。FPGA 能够简单地通过使用触发器（FF）来实现顺序逻辑，并通过使用查找表（LUT）来实现组合逻辑。当算法需要并行计算能力时，可以将大部分的逻辑资源都用来做计算，达到更高的计算效率；当算法需要更多的控制流程时，可以将大部分的逻辑资源都用来做控制。（实际的 FPGA 内部也存在大量的硬核来完成固定的功能）。正是基于 FPGA 资源的高可控度，可以带来算法实现时的灵活度。

FPGA 全称「可编辑门阵列」(Field Programmable Gate Array)，其基本原理是在 FPGA 芯片内集成大量的数字电路基本门电路以及存储器，而用户可以通过烧写 FPGA 配置文件来来定义这些门电路以及存储器之间的连线。这种烧入不是一次性的，即用户今天可以把 FPGA 配置成一个图像编解码器，明天可以编辑配置文件把同一个 FPGA 配置成一个音频编解码器，这个特性可以极大地提高数据中心弹性服务能力。所以说在 FPGA 可以快速实现为深度学习算法开发的芯片架构，而且成本比设计的专用芯片(ASIC)要便宜，当然性能也没有专用芯片(ASIC)强。ASIC 是一锤子买卖，设计出来要是发现哪里不对基本就没机会改了，但是 FPGA 可以通过重新配置来不停地试错知道获得最佳方案，所以用 FPGA 开发的风险也远远小于 ASIC。

腾讯云国内首发 FPGA

1 月 20 日，腾讯云推出国内首款高性能异构计算基础设施——FPGA 云服务器，以云服务方式将大型公司才能长期支付使用的 FPGA 推广到更多企业。

腾讯云带来的革命性进展是：将 FPGA 部署时间从数月缩短到数分钟，企业可按需付费使用 FPGA，极大降低 FPGA 的使用成本，实现高性能 FPGA 硬件加速处理。企业可以通过 FPGA 云服务器进行 FPGA 硬件编程，可将性能提升至通用 CPU 服务器的 30 倍 以上。同时腾讯云率先在国内提供第三方 FPGA 知识产权市场，通过腾讯云服务市场，FPGA 开发者和使用者可以更高效地交易。

长期以来，FPGA 行业内的提供者和使用者一直缺乏交易平台和信用保证，导致交易环节冗长，很难达成交易。腾讯云服务市场搭建一个简单可靠的 FPGA 知识产权交易市场。

对于 FPGA 使用者而言，可以在腾讯云服务市场购买已开发并验证好的 FPGA 知识产权功能，可节约长达数月的 FPGA 研发周期，同时采用按需使用付费的模式，能最大化地节省硬件投入成本。

而 FPGA 开发者可以通过使用腾讯云 FPGA 的开发框架，显著提升研发效率，更专注于核心功能开发，将图像处理功能、深度学习功能等已有的成熟 FPGA 知识产权通过简单封装适配，集成并投放到腾讯云服务市场，开放给 FPGA 使用者使用，分摊 FPGA 知识产权的研发成本。

FPGA 应用案例

FPGA 应用案例一

• 项目背景： 随着移动互联网的发展，基于用户社交平台的腾讯每天用户上传的图片越来越庞大，公司目前用于图片转码的业务主要有 QQ 相册、微信及其他业务。图片格式中有 JPEG 格式、WEBP 格式等，WEBP 图片格式比 JPEG 图片格式存储空间小 30%。如果落地存储采用 WEBP 格式替代 JPEG 格式，可以减少三分之一存储空间；而传输分发用 WEBP 格式，还可以降低传输流量，从而提升用户的图片下载体验。而采用 WEBP 的问题在于 WEBP 压缩计算复杂度是 JPEG 压缩的 10 倍以上，采用 CPU 进行 WEBP 转码成本很高，导致很难在业务中全面推广。为了增强图片转码能力，我们使用 FPGA 对图片转码进行加速。
• 项目结果： 完成 JPEG 格式图片转成 WEBP 格式图片，测试图片大小为 853x640，FPGA 处理延时相比 CPU 降低 20 倍 ，FPGA处理性能是CPU机器的 6 倍 ，FPGA机型单位成本是 CPU 机型的 1/3。

表1. FPGA 和 CPU 的计算性能对比

FPGA 应用案例二

• 项目背景： 传统上，Google、百度等搜索引擎公司以 Logistic Regression（LR）作为预估模型。早在 2012 年开始，百度开始尝试将 DNN 算法作用于搜索广告，并在2013 年 5 月就开始服务于百度搜索广告系统。近年来异军突起的今日头条在技术上也使用了 DNN 算法，提高新闻的点击率。但是 DNN 算法对系统的计算量明显增大，如果还是用 CPU 进行计算，无法满足系统的延时和吞吐率要求。 DNN 算法模型为 17*200*20*1 的 4 层模型，要求 4000 个样本的 DNN 计算时延要小于 5ms。如果用 CPU 计算，B6(CPU E5-2620 X 2) 机器的计算时延为 120.55ms*，无法满足要求(计算时间见表2)。因此，我们用 FPGA 对 DNN 计算进行加速，使 4000 个样本的 DNN 计算时延小于 5ms。
• 项目结果： 我们在使用 50% 的 FPGA 资源的情况下，将 4000 个样本的 DNN 计算时延减小为 1.2ms，吞吐率达到 6000 集合/s(4000 个样本为 １ 个集合)，不仅达到了系统对低延时的要求，而且极大地提高了系统的吞吐能力，处理延时降低 100 倍，处理吞吐率提高 5 倍，成本是 CPU 机型的 1/5。说明 FPGA 在 DNN 计算加速上有较明显的优势。

表2. FPGA 和 CPU 的计算性能对比

FPGA 应用案例三

• 项目背景： 深度学习（DL）近年来在语音识别、图片分类和识别、推荐算法等领域发挥了越来越大的作用。深度学习基于深度神经网络理论，用在图片分类的神经网络是其中的一个分支：卷积神经网络(CNN)。随着移动互联网的发展，基于用户社交平台的腾讯每天用户上传的图片越来越庞大，并且增长速度很快。为了增强图片检测的处理能力，降低图片检测成本，我们使用 FPGA 对 CNN 计算进行加速。
• 项目结果： FPGA 完成 CNN 算法的 Alexnet 模型，FPGA 处理性能是 CPU 机器的 4 倍，FPGA 机型单位成本是 CPU 机型的 1/3。

小结

当前 AI 火爆，得益于 FPGA 的高密度计算能力以及低功耗的特性，FPGA 率先在深度学习在线预测方向（广告推荐、图片识别、语音识别等）得到了较大规模的部署。

用户也常常将 FPGA 与 GPU 进行对比，GPU 的易编程性、高吞吐与 FPGA 的低功耗、易部署等特性也各有千秋。相较于 GPU 以及 ASIC，FPGA 的低延时以及可编程性也是其核心竞争能力。

使用腾讯云 FPGA 云服务，你只需单击几下即可在几分钟内轻松获取并部署你的 FPGA 计算实例。你可以在 FPGA 实例上编程，为你的应用程序创建自定义硬件加速。我们为你提供可重编程的环境，可以在 FPGA 实例上多次编程，而无需重新设计硬件，让你能更加专注于业务发展。