FPGA 实际的表现如何呢？我们分别来看计算密集型任务和通信密集型任务

Touuqu

计算密集型任务的例子包括矩阵运算、图像处理、机器学习、压缩、非对称加密、Bing 搜索的排序等。
7 L' B3 M) H! u4 R这类任务一般是 CPU 把任务卸载（offload）给 FPGA 去执行。
对这类任务，目前我们正在用的 Altera（似乎应该叫 Intel 了，我还是习惯叫 Altera……）Stratix V FPGA 的整数乘法运算性能与 20 核的 CPU 基本相当，浮点乘法运算性能与 8 核的 CPU 基本相当，而比 GPU 低一个数量级。
8 {- z  ?) q0 U. d# o我们即将用上的下一代 FPGA，Stratix 10，将配备更多的乘法器和硬件浮点运算部件，从而理论上可达到与现在的顶级 GPU 计算卡旗鼓相当的计算能力。
2 x, a4 L8 J0 f0 W5 O

' v! v  K3 Q; A: Y
▲FPGA 的整数乘法运算能力（估计值，不使用 DSP，根据逻辑资源占用量估计）

$ J# I2 W) M/ ^3 I1 e: b

* V/ L! `: _% h4 Y: a9 C  u, z▲FPGA 的浮点乘法运算能力（估计值，float16 用软核，float 32 用硬核）

% D4 {# j4 k3 \在数据中心，FPGA 相比 GPU 的核心优势在于延迟。
* B; d9 C: T: G& H. W
4 H2 t$ ^0 B- s. F5 [5 A/ c6 B像 Bing 搜索排序这样的任务，要尽可能快地返回搜索结果，就需要尽可能降低每一步的延迟。

( w/ e4 \* |3 M1 {如果使用 GPU 来加速，要想充分利用 GPU 的计算能力，batch size 就不能太小，延迟将高达毫秒量级。

使用 FPGA 来加速的话，只需要微秒级的 PCIe 延迟（我们现在的 FPGA 是作为一块 PCIe 加速卡）。
% s3 }2 w; z9 d! m  Y- t2 K5 }) f& `
未来 Intel 推出通过 QPI 连接的 Xeon + FPGA 之后，CPU 和 FPGA 之间的延迟更可以降到 100 纳秒以下，跟访问主存没什么区别了。
/ U# `, {" L3 V
( g  I! o* @6 V* T

lrene

GPU和FPGA相比在于延迟

youOK

计算密集型任务和通信密集型任务

NNNei256

CPU 和 FPGA 之间的延迟更可以降到 100 纳秒以下