（文章來源：OFweek）

近十年來，人工智能又到了一個快速發(fā)展的階段。深度學習在其發(fā)展中起到了中流砥柱的作用，盡管擁有強大的模擬預測能力，深度學習還面臨著超大計算量的問題。在硬件層面上，GPU，ASIC，FPGA都是解決龐大計算量的方案。本文將闡釋深度學習和FPGA各自的結(jié)構(gòu)特點以及為什么用FPGA加速深度學習是有效的，并且將介紹一種遞歸神經(jīng)網(wǎng)絡（RNN）在FPGA平臺上的實現(xiàn)方案。

深度學習是機器學習的一個領(lǐng)域，都屬于人工智能的范疇。深度學習主要研究的是人工神經(jīng)網(wǎng)絡的算法、理論、應用。自從2006年Hinton等人提出來之后，深度學習高速發(fā)展，在自然語言處理、圖像處理、語音處理等領(lǐng)域都取得了非凡的成就，受到了巨大的關(guān)注。在互聯(lián)網(wǎng)概念被人們普遍關(guān)注的時代，深度學習給人工智能帶來的影響是巨大的，人們會為它隱含的巨大潛能以及廣泛的應用價值感到不可思議。

事實上，人工智能是上世紀就提出來的概念。1957年，Rosenblatt提出了感知機模型（Perception），即兩層的線性網(wǎng)絡；1986年，Rumelhart等人提出了后向傳播算法（Back Propagation），用于三層的神經(jīng)網(wǎng)絡的訓練，使得訓練優(yōu)化參數(shù)龐大的神經(jīng)網(wǎng)絡成為可能；1995年，Vapnik等人發(fā)明了支持向量機（Support Vector Machines），在分類問題中展現(xiàn)了其強大的能力。以上都是人工智能歷史上比較有代表性的事件，然而受限于當時計算能力，AI總是在一段高光之后便要陷入灰暗時光——稱為：“AI寒冬”。

然而，隨著計算機硬件能力和存儲能力的提升，加上龐大的數(shù)據(jù)集，現(xiàn)在正是人AI發(fā)展的最好時機。自Hinton提出DBN（深度置信網(wǎng)絡）以來，人工智能就在不斷的高速發(fā)展。在圖像處理領(lǐng)域，CNN（卷積神經(jīng)網(wǎng)絡）發(fā)揮了不可替代的作用，在語音識別領(lǐng)域，RNN（遞歸神經(jīng)網(wǎng)絡）也表現(xiàn)的可圈可點。

而科技巨頭也在加緊自己的腳步，谷歌的領(lǐng)軍人物是Hinton，其重頭戲是Google brain，并且在去年還收購了利用AI在游戲中擊敗人類的DeepMind；Facebook的領(lǐng)軍人物是Yann LeCun，另外還組建了Facebook的AI實驗室，Deepface在人臉識別的準確率更達到了驚人的97.35%；而國內(nèi)的巨頭當屬百度，在挖來了斯坦福大學教授Andrew Ng（Coursera的聯(lián)合創(chuàng)始人）并成立了百度大腦項目之后，百度在語音識別領(lǐng)域的表現(xiàn)一直十分強勢。