隨著AI的廣泛應用，深度學習已成為當前AI研究和運用的主流方式。面對海量資料的並行運算，AI對於算力的要求不斷提升，對硬體的運算速度及功耗提出了更高的要求。

目前，除通用CPU外，作為硬體加速的GPU、NPU、FPGA等一些晶片處理器在深度學習的不同應用中發揮著各自的優勢，但孰優孰劣？

以人臉識別為例，其處理基本流程及對應功能模組所需的算力分佈如下：

為什麼會有這樣的應用區分？

意義在哪裡？

想要知道其中的答案，需要我們先從CPU、GPU、NPU、FPGA它們各自的原理、架構及效能特點來了解。

首先，我們先來了解一下通用CPU的架構。

CPU

CPU（Central Processing Unit）中央處理器，是一塊超大規模的積體電路，主要邏輯架構包括控制單元Control，運算單元ALU和高速緩衝儲存器（Cache）及實現它們之間聯絡的資料（Data）、控制及狀態的匯流排（Bus）。

簡單說，

就是計算單元、控制單元和儲存單元。

架構圖如下所示：

CPU遵循的是馮諾依曼架構，其核心是儲存程式、順序執行。CPU的架構中需要大量的空間去放置儲存單元（Cache）和控制單元（Control），相比之下計算單元（ALU）只佔據了很小的一部分，所以它在大規模平行計算能力上極受限制，而更擅長於邏輯控制。

CPU無法做到大量矩陣資料平行計算的能力，但GPU可以。

GPU

GPU（Graphics Processing Unit），即圖形處理器，是一種由大量運算單元組成的大規模平行計算架構，專為同時處理多重任務而設計。

為什麼GPU可以做到平行計算的能力？GPU中也包含基本的計算單元、控制單元和儲存單元，但GPU的架構與CPU有所不同，如下圖所示：

與CPU相比，CPU晶片空間的不到20%是ALU，而GPU晶片空間的80%以上是ALU。即GPU擁有更多的ALU用於資料並行處理。

以Darknet構建的神經網路模型AlexNet、VGG-16及Restnet152在GPU Titan X, CPU Intel i7-4790K (4 GHz) 進行ImageNet分類任務預測的結果：

備註：以上資料來源自https://pjreddie.com/darknet/imagenet/#reference

由此可見，GPU處理神經網路資料遠遠高效於CPU。

總結GPU具有如下特點：

1 、多執行緒，提供了多核平行計算的基礎結構，且核心數非常多，可以支撐大量資料的平行計算。

2、擁有更高的訪存速度。

3、更高的浮點運算能力。

因此，GPU比CPU更適合深度學習中的大量訓練資料、大量矩陣、卷積運算。

GPU雖然在平行計算能力上盡顯優勢，但並不能單獨工作，需要CPU的協同處理，對於神經網路模型的構建和資料流的傳遞還是在CPU上進行。同時存在功耗高，體積大的問題。

效能越高的GPU體積越大，功耗越高，價格也昂貴，對於一些小型裝置、移動裝置來說將無法使用。

因此，一種體積小、功耗低、計算效能高、計算效率高的專用晶片NPU誕生了。

NPU

NPU （Neural Networks Process Units）神經網路處理單元。NPU工作原理是在電路層模擬人類神經元和突觸，並且用深度學習指令集直接處理大規模的神經元和突觸，一條指令完成一組神經元的處理。相比於CPU和GPU，NPU通過突觸權重實現儲存和計算一體化，從而提高執行效率。

NPU是模仿生物神經網路而構建的，CPU、GPU處理器需要用數千條指令完成的神經元處理，NPU只要一條或幾條就能完成，因此在深度學習的處理效率方面優勢明顯。

實驗結果顯示，同等功耗下NPU 的效能是 GPU 的 118 倍。

與GPU一樣，NPU同樣需要CPU的協同處理才能完成特定的任務。下面，我們可以看一下GPU和NPU是如何與CPU協同工作的。

GPU的加速

GPU當前只是單純的並行矩陣的乘法和加法運算，對於神經網路模型的構建和資料流的傳遞還是在CPU上進行。

CPU載入權重資料，按照程式碼構建神經網路模型，將每層的矩陣運算通過CUDA或OpenCL等類庫介面傳送到GPU上實現平行計算，輸出結果；CPU接著排程下層神經元組矩陣資料計算，直至神經網路輸出層計算完成，得到最終結果。

CPU 與GPU的互動流程：

1 獲取GPU資訊，配置GPU id

2 載入神經元引數到GPU

3 GPU加速神經網路計算

4 接收GPU計算結果

NPU的加速

NPU與GPU加速不同，主要體現為每層神經元計算結果不用輸出到主記憶體，而是按照神經網路的連線傳遞到下層神經元繼續計算，因此其在運算效能和功耗上都有很大的提升。

CPU將編譯好的神經網路模型檔案和權重檔案交由專用晶片載入，完成硬體程式設計。

CPU在整個執行過程中，主要是實現資料的載入和業務流程的控制，其互動流程為：

1 開啟NPU專用晶片裝置

2 傳入模型檔案，得到模型task

3 獲取task的輸入輸出資訊

4 拷貝輸入資料到模型記憶體中

5 執行模型，得到輸出資料

除NPU外，在功耗及計算能力上有一拼的還有FPGA。

FPGA

FPGA（Field－Programmable Gate Array）稱為現場可程式設計門陣列，使用者可以根據自身的需求進行重複程式設計。與 CPU、GPU 相比，具有效能高、功耗低、可硬體程式設計的特點。

FPGA基本原理是在晶片內整合大量的數位電路基本閘電路以及儲存器，而使用者可以通過燒入FPGA 配置檔案來定義這些閘電路以及儲存器之間的連線。這種燒入不是一次性的，可重複編寫定義，重複配置。

FPGA的內部結構如下圖所示：

FPGA的程式設計邏輯塊（Programable Logic Blocks）中包含很多功能單元，由LUT（Look-up Table）、觸發器組成。FPGA是直接通過這些閘電路來實現使用者的演算法，沒有通過指令系統的翻譯，執行效率更高。

我們可以對比一下

CPU/GPU/NPU/FPGA各自的特點

各晶片架構特點總結

/ CPU /

70%電晶體用來構建Cache，還有一部分控制單元，計算單元少，適合邏輯控制運算。

/ GPU /

電晶體大部分構建計算單元，運算複雜度低，適合大規模平行計算。主要應用於大資料、後臺伺服器、影象處理。

/ NPU /

在電路層模擬神經元，通過突觸權重實現儲存和計算一體化，一條指令完成一組神經元的處理，提高執行效率。主要應用於通訊領域、大資料、影象處理。

/ FPGA /

可程式設計邏輯，計算效率高，更接近底層IO，通過冗餘電晶體和連線實現邏輯可編輯。本質上是無指令、無需共享記憶體，計算效率比CPU、GPU高。主要應用於智慧手機、行動式移動裝置、汽車。

CPU作為最通用的部分，協同其他處理器完成著不同的任務。GPU適合深度學習中後臺伺服器大量資料訓練、矩陣卷積運算。NPU、FPGA在效能、面積、功耗等方面有較大優勢，能更好的加速神經網路計算。而FPGA的特點在於開發使用硬體描述語言，開發門檻相對GPU、NPU高。

可以說，每種處理器都有它的優勢和不足，在不同的應用場景中，需要根據需求權衡利弊，選擇合適的晶片。