FPGA çıkışı çok çekirdekli bir bilgisayar yapabilir mi?

FPGA'nın bir algoritmayı hızlandırmak için nasıl kullanılabileceğini anlamıyorum. Şu anda dört hesaplama paralel olarak yapılabilmesi için bir quadcore dizüstü bilgisayarda zaman alıcı gerçek zamanlı algoritma çalıştırıyorum.

Kısa bir süre önce FPGA'nın daha iyi performans sağlayabileceği konusunda uyarıldım. Bunun nasıl çalıştığını anlamıyorum. Birisi FPGA'nın bir algoritmayı nasıl hızlandırdığını açıklayabilir mi ve bir Xilinx veya Altera FPGA çözümüne geçmeli miyim veya quadcore dizüstü bilgisayarımda hesaplamaları yapmaya devam edersem.

Ek Ayrıntılar: Algoritma, dalgacık paket dönüşümünden beslenen girdileri kullanarak 20 yapay sinir ağı çalıştırır

Harika cevaplar için hepinize teşekkür ederim.

Bir meslektaşım bunu karşılaştırdı ve FPGA'ya uyacak yaklaşık 100'den fazla bağımsız , tamsayı göreviniz olduğunda FPGA'ların bir PC'den daha iyi performans göstereceği sonucuna vardı . Kayan nokta görevleri için GPGPU FPGA'yı yendi. Dar çoklu kullanım veya SIMD işlemi için CPU'lar son derece optimize edilmiştir ve FPGA'ların genellikle elde ettiğinden daha yüksek bir saat hızında çalışır.

Diğer uyarılar: görevler bağımsız olmalıdır. Görevler arasında veri bağımlılıkları varsa, bu kritik hesaplama yolunu sınırlar. FPGA'lar, boole değerlendirmesi ve tamsayı matematiğinin yanı sıra donanım düşük gecikmeli arabirimleri için iyidir, ancak belleğe bağlı iş yükleri veya kayan nokta için iyi değildir.

İş yükünü DRAM'de tutmanız gerekiyorsa, bu işlemciden ziyade darboğaz olacaktır.

Bir FPGA bir işlemciden tamamen farklı çalışır.

Bir işlemci için donanıma ne yapacağını söyleyen bir yazılım yazarsınız. Bir FPGA'da dahili olarak "donanımın neye benzemesi gerektiğini" açıklarsınız. Algoritmanız için özel olarak yapılmış bir yonga yapıyormuşsunuz gibi.

Bu birçok şeyi hızlandırır ve güç tüketimini azaltabilir. Ama dezavantajları var: Geliştirme çok daha uzun sürüyor ve çok daha karmaşık. Tamamen farklı bir şekilde düşünmeniz gerekiyor ve yazılımda düz bir şekilde çalışan algoritmaları kullanamazsınız.

Yapay Sinir Ağları için FPGA mükemmel bir seçimdir. Bu alanda devam eden birçok araştırma var.

Algoritmaya çok bağlıdır, ancak prensip oldukça basit bir şekilde açıklanabilir.

Diyelim ki algoritmanızın çok sayıda 8-bit sayı toplaması gerekiyor. CPU'nuzun her komutu alması, işlenenleri RAM'den veya önbellekten alması, toplamı yürütmesi, sonucu önbellekte saklaması ve bir sonraki işleme devam etmesi gerekir. Boru hattı yardımcı olur, ancak sahip olduğunuz çekirdeklerle aynı anda çok sayıda işlemi gerçekleştirebilirsiniz.

Bir FPGA kullanıyorsanız, paralel olarak çalışan çok sayıda basit toplayıcı uygulayabilir, belki de binlerce toplamı paralel olarak kırabilirsiniz. Tek bir işlem daha fazla zaman alsa da, büyük bir paralellik dereceniz vardır.

GPGPU'yu, benzer görevleri yapmak için de kullanabilirsiniz, çünkü bunlar daha basit çekirdeklerden de yapılır.

Bilgisayar ekipmanının kabaca 3 uzmanlık seviyesi vardır:

CPU (dizüstü bilgisayarınızda olduğu gibi) en genel olanıdır. Her şeyi yapabilir, ancak bu çok yönlülük, düşük hız ve yüksek güç tüketimi pahasına gelir. CPU hareket halindeyken programlanır, talimatlar RAM'den gelir. CPU programları hızlı, ucuz ve yazması kolaydır ve değiştirilmesi çok kolaydır.

FPGA (Alan Programlanabilir Kapı Dizisi anlamına gelir) orta düzeydir. Adından da anlaşılacağı gibi, "fabrikada", yani bir fabrika dışında programlanabilir. FPGA genellikle bir kez programlanır, bu süreç iç yapısını kurmak olarak tanımlanabilir. Bu işlemden sonra, seçtiğiniz görev için uzmanlaşmış küçük bir bilgisayar gibi davranır. Bu yüzden genel CPU'dan daha iyi ücret alabilir. FPGA'nın programlanması çok zor ve pahalıdır ve hata ayıklamak çok zordur.

ASIC (Uygulamaya Özel Entegre Devre anlamına gelir) en üst düzey uzmandır. Bir ve sadece bir görev için tasarlanmış ve üretilmiş bir çip - son derece hızlı ve verimli bir görev. ASIC'i yeniden programlama imkanı yoktur, fabrikayı tamamen tanımlanmış olarak bırakır ve işine artık gerek kalmadığında işe yaramaz. ASIC tasarlamak, sadece büyük şirketlerin karşılayabileceği bir şeydir ve hata ayıklamak iyi, neredeyse imkansızdır.

Eğer "çekirdekler" düşünürseniz, şu şekilde bakın: CPU'ların her şeyi yapabilen 4, 6, belki 8 büyük çekirdeği vardır. ASICS'in genellikle binlerce çekirdeği vardır, ancak çok küçük olanlar, yalnızca bir şey yapabilir.

Bitcoin madencilik topluluğuna bakabilirsiniz. SHA256 karma yapıyorlar.

• CPU çekirdeği i7: 0.8-1.5 M karma / s
• FPGA: 5-300M karma / sn
• ASIC: Bir küçük çip başına 12000M hash / s, bir 160 çipli cihaz için 2000000M (evet, bu 2T) hash / s

Tabii ki, bu ASIC bebekler kitle üretildiğinde neredeyse 2000 dolara mal oluyor, ancak size bir jack-of-trades'in bir uzmana karşı nasıl para kazanabileceği hakkında bir fikir veriyor.

Tek soru şudur: FPGA size tasarlayacağından daha fazla tasarruf sağlayabilir mi? Tabii ki, bir dizüstü bilgisayarda çalıştırmak yerine, 20 PC'de çalıştırmayı deneyebilirsiniz.

Evet, FPGA bazı zorlu görevlerde modern CPU'dan (Intel i7 gibi) daha iyi performans gösterebilir, ancak sinir ağı performansını iyileştirmek için daha kolay ve daha ucuz yöntemler vardır.

Daha ucuz olarak - FPGA IC maliyeti değil, aynı zamanda FPGA (sinir ağı için ihtiyacınız olacak) ve tüm geliştirme süreci için çok hızlı bir bellek demek istiyorum.

1. SSE kullanın - 2-3 kat daha iyi performans ile oldukça basit bir sinir ağı uygulamaları gördüm. Dizüstü bilgisayarınızda özel bir GPU yoksa bu iyi bir fikir olabilir.

   Vincent Vanhoucke ve Andrew Senior tarafından CPU'larda sinir ağlarının hızının artırılması

2. GPGPU kullanın (Grafik işlem birimlerinde genel amaçlı bilgi işlem) - Sanırım GeForce 730M gibi orta sınıf dizüstü bilgisayar GPU'larında 100-200x performans artışı elde edebilirsiniz.

   İşte sinir ağı uygulaması (ve serbest kod). Nvidia CUDA kullanır.

   GPGPU yaklaşımı çok ölçeklenebilir, eğer bir noktada daha fazla bilgi işlem gücüne ihtiyacınız olduğunu fark ederseniz - daha güçlü GPU'lu masaüstü bilgisayarı veya hatta 4992 çekirdekli Nvidia Tesla K80'i kullanabilirsiniz (bu pahalı).