人工智能和機器學習正在滲透所有的行業(yè)。隨著人工智能算法的成熟，支持這些算法的硬件平臺也日趨成熟。目前，這些硬件平臺包括 ASIC，CPU，GPU以及 FPGA 。在 Plunify，盡管我們的強項是FPGA的設計優(yōu)化，但是我們中的很多人本質上還是軟件工程師。當然，這里所說的“軟件工程師”并不包括嵌入式工程師，固件工程師或者研發(fā)驅動的工程師；我們所說的是使用 .NET， Java， Python， R， SQL， C++ 或者 JavaScript 來寫代碼的開發(fā)者們。

我們最近正在研究的項目是在芯片設計上使用機器學習驅動的布局。我們用成千上萬不同的布局來訓練，并使用機器學習技術，在布線之前預測設計的最終時序性能。

使用哪一個框架來開啟機器學習項目？

市面上有很多選擇，但是我們最終的答案是Tensorflow。這似乎有些難以置信，畢竟我們已經(jīng)開發(fā)了賽靈思 Vivado 的插件 Plunify Cloud 以及設計優(yōu)化軟件 InTime，難道不應該選擇一個可以輕易把FPGA作為硬件的框架嗎？我們已經(jīng)對FPGA有所了解，而Tensorflow和FPGA的關系并不是很密切。

請不要誤解。我們雖然對FPGA的加速性能充滿信心，但是，在每一個機器學習項目開始的時候，挑選一個合適開發(fā)環(huán)境首先要考慮的應該是自己的已有技能和可供學習的資源。對于已有技能，我們了解上述所有語言和其他的一些語言；至于可供學習的資源，Tensor Flow+Keras 教程和文檔可以輕易的擊敗所有的對手。有這么多選擇，您一定想馬上開啟項目來測試您的方法是否可行。

應該選擇哪個加速平臺？

在生成了成千上萬個擁有不同布局和資源要求的設計時，我們應該如何加速機器學習的訓練和推理？關于加速的問題終于來了-究竟是用GPA，TPU還是FPGA呢？很明顯，F(xiàn)PGA由于對用戶不友好勝算不大。合理的選擇仍然是谷歌的云平臺或者GPU。

對我們來說，我們已經(jīng)解決了如何將正在進行的項目轉換成基于FPGA的加速環(huán)境。這里所說的“轉換”并不是完全的重寫。也許我們已經(jīng)開啟了Caffe，但是軟件工程師在開始階段不會考慮加速平臺。

“不了解發(fā)動機，也可以選一臺好車？”

這里有一種替代方法 – 高層綜合（High LevelSynthesis）。用C/C++寫代碼然后轉換成Verilog或者VHDL（這個方法已經(jīng)存在很久并且也有很多批評）。在Hastlayer有一群工程師提供一個.NET的軟件開發(fā)工具包可以把.NET程序轉換成VHDL.。這個開發(fā)包當然有一些局限性，但是從軟件工程師的角度上來說，這已經(jīng)是一個從試圖理解時鐘，頻率，器件類型的極大飛躍。我們這些軟件工程師比較自我，大多只關心機器學習的訓練可以有多快。如果眼下的程序在CPU上需要運行一天，而在FPGA上只需要兩個小時，我是不是可以用一個更優(yōu)化的版本（比如同樣的.NET程序但是被InTime優(yōu)化過）30分鐘就完成運行呢？

采用自然習慣還是稍后再轉換？

讓軟件工程師采用他們早期的自然習慣肯定是有幫助的?？纯催@個領域擴展地有多快吧，編寫機器學習算法的程序員絕大多數(shù)都不會成為擁有數(shù)學博士的數(shù)據(jù)科學家或者FPGA/ASIC設計工程師。他們大多是像你我這樣擁有一個計算機學位的普通人，使用已經(jīng)編寫好的庫。在沒有一個大公司或團隊的支持下，很難創(chuàng)造一個屬于自己的機器學習框架。這條路行不通的話，擁有一個簡單自動的轉換路徑似乎就是一個最好的選擇了。

所以別再說“你需要一開始就學習FPGA”這樣的話了，我們應該說“將Tensorflow / Pytorch轉換成適用于FPGA的代碼”?；蛘咧苯幼屛覀儊韼湍贔PGA上運行吧。

這兩種選擇，都需要逾越一條鴻溝。如果您是一個已經(jīng)遇見這些問題的軟件工程師，我們十分希望能聽見您的心聲。

InTime是一款使用機器學習來優(yōu)化 FPGA 設計的軟件。如果您有興趣，點擊這里來了解更多 InTime 的信息，或者直接申請免費試用。