FPGA和GPU的算力
A. 硬體對比評測：英特爾FPGA和英偉達GPU哪
英特爾對兩代 FPGA（英特爾 Arria 10 和英特爾 Stratix 10）與英偉達 Titan X Pascal 在不同最新 DNN 上的評估表明：DNN 演算法的發展趨勢或許有利於FPGA，這種架構在某些任務上的表現大幅超越對手。盡管這些測試是在 2016 年進行的，英特爾的團隊已經開始對自家FPGA 在最新 DNN 演算法上的運行和優化開始了研究（如 FFT/winograd 數學變換，主動量化（aggressive quantization）和壓縮）。
英特爾的團隊同時指出，除 DNN 以外，FPGA 在各種對延遲敏感的應用（如自動駕駛輔助系統和工業系統）中也有廣泛的前景。
B. FPGA和GPU選擇哪個研究方向前景更被看好
嵌入式行業走的話，果斷FPGA啊。
GPU以後會向高性能發展，也會有一支向低功耗發展。但總體而言，還是往並行計算上走。
C. GPU和FPGA做FFT加速哪個快
LS搞錯沒有，LZ說的是GPU不是CPU好不好。根據不同的GPU，其能夠同時處理的線程是不一樣的，另外GPU的匯流排速度也很高，一般比FPGA自己搭建的匯流排要高的多，怎麼就一定比FPGA慢呢。當然FPGA是能夠編程的，根據選型的不同，其速度也有很大差異。如果充分利用FPGA的並行處理能力，再選擇合適的FFT快速並行處理演算法，FPGA當然能夠做的很快。所以籠統的這么一說，沒有可比性。GPU的FFT處理能力是根據其型號已經定死了的，而FPGA是可編程的其處理速度與你的編程能力有關。
D. 什麼樣的演算法用FPGA算比GPU更有優勢
只要不能平行計算GPU就廢了
比如
for (i = 0 to n) {
a[i+1] = a[i]+1;
}
這里a[i+1]的值取決於a[i]的值,gpu就沒法算了
E. 騰訊雲的GPU雲伺服器和fpga雲伺服器哪個更好用
這兩個是針對不同的領域，GPU雲伺服器通常用來做浮點或者圖形計算。甚至是機器學習。
FPGA更多用在工業領域。
GPU 雲伺服器（GPU Cloud Computing）是基於 GPU 應用的計算服務，具有實時高速的並行計算和浮點計算能力，適應用於 3D 圖形應用程序、視頻解碼、深度學習、科學計算等應用場景。
FPGA 雲伺服器（FPGA Cloud Computing）是基於FPGA（Field Programmable Gate Array）現場可編程陣列的計算服務，您只需單擊幾下即可在幾分鍾內輕松獲取並部署您的FPGA計算實例。您可以在FPGA實例上編程，為您的應用程序創建自定義硬體加速。
F. 深度學習硬體這件事，GPU，CPU，FPGA到底誰最合適
在未來的深度學習中，大約有95%的應用是數據的推斷。
而且FPGA或者ASIC相較於GPU/CPU無論在研發還是產出上的成本都明顯降低。
因此必然是兵家必爭之地。
無論從INTEL收購ALTRA/ Movidius，還是XILINX與IBM合作，抑或谷歌和高通默默開發自己的專屬ASIC中都可見一斑。
而且針對移動端的深度學習，FPGA或者ASIC更多的會以SOC形式出現，以至於更好的優化神經網路結構提升效率。
G. 詳解人工智慧晶元CPU/GPU/FPGA有何差異
第一、IBM與全球第一大FPGA廠商Xilinx合作，主攻大數據和雲計算方向，這引起Intel的巨大擔憂。
Intel已經在移動處理器落後，大數據和雲計算領域不能再落後。
第二、FPGA在雲計算、大數據領域將深入應用。
Intel此次與Altera合作，將開放Intel處理器的內部介面，形成CPU+FPGA的組合模式。
其中FPGA用於整形計算，cpu進行浮點計算和調度，此組合的擁有更高的單位功耗性能和更低的時延。
第三、IC設計和流片成本。
隨著半導體製程指數增長，FPGA在物聯網領域將替代高價值、批量相對較小（5萬片以下）、多通道計算的專用設備替代ASIC。
同時，FPGA開發周期比ASIC短50%，可以用來快速搶占市場。
H. 伺服器端人工智慧，FPGA和GPU到底誰更強
FPGA 可以開發出為機器學習演算法專用的架構，但是 FPGA 本身的峰值性能較 GPU 要差很多。FPGA 和 GPU 哪個跑機器學習演算法更強（平均性能更好），完全取決於 FPGA 架構優化能否彌補峰值性能的劣勢。
I. fpga真的能取代cpu和gpu嗎
FPGA相對於CPU和GPU，在進行感知處理等簡單重復的任務的時候的優勢很明顯，按照現在的趨勢發展下去，FPGA或許會在未來取代機器人開發中GPU的工作。
因為FPGA和GPU雖然都精於大量的重復運算，但FPGA的能耗會遠低於GPU。可是FPGA或許永遠沒有辦法取代CPU的地位，而事實上目前的各類應用中，FPGA也多作為CPU的協處理器而出現，而不是真正的核心運算單元。
J. 詳解人工智慧晶元 CPU/GPU/FPGA有何差異
GPU與CPU的區別：CPU的內核比較少（單核、雙核、四核、八核等等），比較復雜，功能強大；GPU的內核比較多（好幾百甚至上千個），但比較簡單，功能單一，適合於進行像素級並行圖形處理。雖然GPU最初是為圖形處理而設計的，但由於它具有並行處理特性，現在已經將其應用到眾多的需要並行處理的非圖形領域了。例如DNA 排序、物理建模、消費者行為預測、GPU雲伺服器等等。
GPU與深度學習的關系：原本深度學習與圖形無關，當然也與圖形處理器GPU無關。深度學習需要大量的訓練，訓練演算法並不復雜，但數據量大。如果用CPU進行訓練，CPU的內核少，訓練時間就長；而GPU的多內核優勢在此時就發揮出來了。因此，玩深度學習的人，在進行訓練時，就借用GPU的多內核、並行處理的優勢，將GPU用到了非圖形領域。
FPGA也有並行處理優勢，也可以設計成具有多內核特點的硬體。所以，目前深度學習就存在採用GPU和FPGA這兩大類硬體的現狀。