FPGA vs GPU：优劣势及适用场景对比分析

1 引言

全球领先的半导体公司AMD（AMD）在2021年以350亿美元收购了芯片制造商Xilinx（XLNX），这是AMD继收购ATI Technologies以来的又一次重大收购。不过，在深度学习领域中，大多数情况下GPU被认为是比FPGA更加强大。那么，AMD为什么会花费350亿美元收购Xilinx，而不进一步提升自己的GPU呢？进一步投资和开发GPU有助于增强自身的竞争力，尤其是在数据中心领域，竞对NVIDIA公司似乎有着非常雄心勃勃的计划。

2 GPU和FPGA在不同应用场景下的优劣势

确实，在许多情况下，GPU可以为一些应用程序提供更好的性能。对于数十亿美元的深度学习市场而言，GPU在训练方面可以提供无与伦比的性能，每个DL模型（深度学习模型）只需进行一次训练，需要几天或者几周。在DL推理（即图像分类）的情况下，GPU也提供了高性能（即以每秒帧数为单位衡量的图像吞吐量）。MLCommons提供了一种公认的基准，用于公平比较数据中心、移动计算和边缘应用的多个计算平台。在最新版本的MLCommons中，GPU在大多数类别中以吞吐量的形式占主导地位，具有更高的吞吐量表现，可以更高效地处理数据和算法。

然而，在许多应用程序中，除了原始处理能力之外，其他要求可能更为重要。例如，在移动或嵌入式应用程序中，能量效率（即处理能力/瓦）更为重要，特别是当设备由电池供电时。此外，在许多边缘设备或嵌入式系统中，延迟也是至关重要的。在这种情况下，FPGA具有更多的竞争优势，因为它们提供了非常低的延迟和更好的能量效率。特别是来自英特尔（S10 NG）和Xilinx Versal的新FPGA，它们集成了专门设计的AI引擎，可以提供高吞吐量（特别是在低批量大小情况下）、低延迟和高能量效率的绝佳组合。

图片

上图是NVIDIA V100和NVIDIA T4在不同批次大小下与Intel Stratix 10 NX FPGA上的NPU性能比较。参考文献：A. Boutros等人的论文“超越峰值性能：比较AI优化的FPGA和GPU的实际性能，FPT 2020”。

3 FPGA在数据中心中的广泛应用及案例介绍

在许多情况下，GPU仍然可以提供更好的性能，特别是在处理大批量数据时。虽然FPGA在一些特定应用场景下具有优势，但是在其他情况下，GPU仍然是更好的选择。那么回到问题，为什么AMD要花这么多钱购买FPGA呢？

答案可能来自于FPGA在数据中心中的最近受到广泛采用的情况。微软Azure是第一批采用FPGA加速其自身应用程序的云供应商之一。Project Catapult是第一个商业部署FPGA的创新项目。可配置的云架构在网络交换机和服务器之间放置了一层可重构逻辑（FPGA），使网络流能够以线速率“可编程转换”，从而加速在服务器上运行的本地应用程序，并使FPGA能够直接在数据中心范围内通信，以收集未被其本地服务器使用的远程FPGA。例如，微软可以利用服务器中的FPGA加速Bing网络搜索排名。FPGA在数据中心中的应用范围越来越广泛，这也许是AMD购买FPGA的原因之一。

图片

上图是Project Catapult，来源：Adrian M. Caulfield等人的论文“云规模加速架构”

微软Azure宣布了在Azure Synapse中利用FPGA用于Apache Spark。根据Azure的数据，数据格式CSV、JSON和Parquet占了90％的客户工作负载。解析CSV和JSON数据格式非常耗费CPU资源，通常占据查询的70％至80％。因此，微软Azure使用FPGA加速CSV解析。FPGA解析器读取CSV数据，对其进行解析，并生成一个接近Apache Spark内部行格式（即Tungsten）的VStream格式化二进制数据。虽然FPGA解析器在FPGA级别的内部原始性能为8GB/秒，但在端到端应用程序中还无法实现全部性能。通过这种方式，他们成功提高了Apache Spark的性能。FPGAs也可用于加速Spark应用程序的机器学习，在这些应用程序中，FPGA可以加速诸如特征提取、模型推理和数据增强等任务。

AWS是第一个宣布向终端用户提供FPGA的云供应商，于2017年推出了f1实例。FPGA开发人员可以将其设计上传到AWS市场。AWS宣布在Redshift AQUA上利用FPGA，在这项服务中，FPGA硬件执行数据集过滤和聚合。过滤可以删除数据集中不需要的信息，以创建子集；而聚合则提供记录中的总和、计数、平均值等信息。结果是向Redshift群集发送的数据量更少。由于进行了预处理，所以集群要处理的工作更少，可以将某些子查询处理卸载到AQUA节点，从而提高性能和效率。这种使用FPGA的方式在AWS的Redshift AQUA中被称为“自适应缩放”，它可以根据查询的复杂度和数据集的大小来动态分配FPGA资源。

图片

上图是Redshift AQUA使用FPGA和ASIC进行内联处理。

4 FPGA在其他应用场景中的挑战及解决方案

FPGA在数据中心的应用方面不断增长，但如何在其他应用程序中利用FPGA呢？

关键要实现更简单的FPGA部署、无缝扩展和自动资源管理。相比之下，GPU能提供易于部署、扩展和资源管理的丰富生态系统工具和方法（例如run.ai）。然而，到目前为止，FPGA的部署仍然具有挑战性，因为用户必须熟悉FPGA技术（比特流、配置文件、内存分配、LUT等）。因此，关键问题在于如何实现一种技术，让软件用户能够利用FPGA加速其应用程序，而无需先前的FPGA知识。这就是为什么InAccel的编排器提供了一种独特的技术，使任何人都能像调用软件函数一样利用FPGA的强大功能。InAccel编排器让人可以轻松地部署、扩展和资源管理FPGA集群，同时还能与任何应用程序和框架（Spark、Ray、Keras、Scikit-learn等）进行集成。这种技术的出现使FPGA在广泛的应用场景中更易于使用和普及。

例如，使用容器的强大功能，用户可以仅使用一行代码即可立即加速压缩应用程序。

复制

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删