神經(jīng)網(wǎng)絡(luò)技術(shù)起源于上世紀(jì)五、六十年代，當(dāng)時(shí)叫感知機(jī)，擁有輸入層、輸出層和一個(gè)隱含層。輸入的特征向量通過隱含層變換達(dá)到輸出層，在輸出層得到分類結(jié)果，早期感知機(jī)的推動(dòng)者是Ronsenblatt。后來又發(fā)展到多層感知機(jī)，而多層感知機(jī)在擺脫早期離散傳輸函數(shù)的束縛，在訓(xùn)練算法上使用Werbos發(fā)明的反向傳播BP算法，這個(gè)就是現(xiàn)在大家常數(shù)的神經(jīng)網(wǎng)絡(luò)NN，而目前存在的神經(jīng)網(wǎng)絡(luò)最常見的有：ANN，RNN，以及CNN。CNN是一種多層神經(jīng)網(wǎng)絡(luò)，擅長(zhǎng)處理圖像特別是大圖像的相關(guān)機(jī)器學(xué)習(xí)問題，它可以通過一系列方法，成功將數(shù)據(jù)量龐大的圖像識(shí)別問題不斷將維，最終使其能夠被訓(xùn)練。

GUNNESS開源工具

一個(gè)叫做GUNNESS的全新的開源工具，可以幫助用戶通過SDSoC 開發(fā)環(huán)境很輕松的將二值化神經(jīng)網(wǎng)絡(luò)（BNNs）實(shí)現(xiàn)在Zynq SoC芯片和Zynq UltraScale+ MPSoC芯片上。GUINNESS基于GUI工具而開發(fā)，內(nèi)部實(shí)現(xiàn)利用深度學(xué)習(xí)框架來訓(xùn)練一個(gè)二值的CNN。關(guān)于這部分內(nèi)容在今年IEEE的國(guó)際并行和分布式處理的workshop上有一篇論文對(duì)此進(jìn)行了較為全面的介紹（論文名為“on-chip Memory Based binarized Convolutional Deep Neural Network Applying Batch Normalization Free Technique on an FPGA”），論文中，作者Haruyoshi Yonekawa和Hiroki Nakahara描述了一個(gè)他們實(shí)現(xiàn)的系統(tǒng)：他們通過在Xilinx ZCU102 Eval 套件上實(shí)現(xiàn)一個(gè)用于運(yùn)行VGG-16 benchmark的二值化CNN邏輯系統(tǒng)，其中ZCU102套件其實(shí)是基于Zynq UltraScale+ MPSoC芯片而搭建的。在后來比利時(shí) Ghent的FPL2017中作者Nakahara就GUINNESS工具再次進(jìn)行了介紹。

根據(jù)IEEE中發(fā)表的這篇paper所述，在Zynq上實(shí)現(xiàn)的CNN相比較與在ARM Cortex-A57處理器上運(yùn)行CNN，運(yùn)行速度加快了136.8倍，并且功率有效性也提高了44.7倍之多。與在Nvidia Maxwell GPU上運(yùn)行同樣的CNN相比較，基于Zynq實(shí)現(xiàn)的BNN速度加快了4.9倍之多，功耗效率也增長(zhǎng)了3.8倍。

不過，對(duì)于我們這些游離愛好者來說最值得慶幸的是整個(gè)GUINNESS工具可以在Github上access到（https://github.com/HirokiNakahara/GUINNESS）。

圖：Xilinx ZCU102 Zynq UltraScale+ MPSoC Eval Kit

目前的比較火的概念莫過于機(jī)器學(xué)習(xí)，深度學(xué)習(xí)，人工智能這三方面了，而這些技術(shù)的實(shí)現(xiàn)都離不開神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，可以說當(dāng)前技術(shù)的熱點(diǎn)非神經(jīng)網(wǎng)絡(luò)莫屬。但是神經(jīng)網(wǎng)絡(luò)算法往往較為復(fù)雜，軟件實(shí)現(xiàn)速度往往無法達(dá)到需求，專用芯片設(shè)計(jì)又功能單一且成本高，而通過FPGA實(shí)現(xiàn)的話，不僅避免的單用途高成本的投入，同時(shí)得到了用戶期望的運(yùn)算速度，一舉兩得。也相信在以后FPGA將會(huì)為神經(jīng)網(wǎng)絡(luò)的研究實(shí)現(xiàn)方面有更大的發(fā)揮空間。