FPGA和GPU的算力
A. 硬件对比评测：英特尔FPGA和英伟达GPU哪
英特尔对两代 FPGA（英特尔 Arria 10 和英特尔 Stratix 10）与英伟达 Titan X Pascal 在不同最新 DNN 上的评估表明：DNN 算法的发展趋势或许有利于FPGA，这种架构在某些任务上的表现大幅超越对手。尽管这些测试是在 2016 年进行的，英特尔的团队已经开始对自家FPGA 在最新 DNN 算法上的运行和优化开始了研究（如 FFT/winograd 数学变换，主动量化（aggressive quantization）和压缩）。
英特尔的团队同时指出，除 DNN 以外，FPGA 在各种对延迟敏感的应用（如自动驾驶辅助系统和工业系统）中也有广泛的前景。
B. FPGA和GPU选择哪个研究方向前景更被看好
嵌入式行业走的话，果断FPGA啊。
GPU以后会向高性能发展，也会有一支向低功耗发展。但总体而言，还是往并行计算上走。
C. GPU和FPGA做FFT加速哪个快
LS搞错没有，LZ说的是GPU不是CPU好不好。根据不同的GPU，其能够同时处理的线程是不一样的，另外GPU的总线速度也很高，一般比FPGA自己搭建的总线要高的多，怎么就一定比FPGA慢呢。当然FPGA是能够编程的，根据选型的不同，其速度也有很大差异。如果充分利用FPGA的并行处理能力，再选择合适的FFT快速并行处理算法，FPGA当然能够做的很快。所以笼统的这么一说，没有可比性。GPU的FFT处理能力是根据其型号已经定死了的，而FPGA是可编程的其处理速度与你的编程能力有关。
D. 什么样的算法用FPGA算比GPU更有优势
只要不能平行计算GPU就废了
比如
for (i = 0 to n) {
a[i+1] = a[i]+1;
}
这里a[i+1]的值取决于a[i]的值,gpu就没法算了
E. 腾讯云的GPU云服务器和fpga云服务器哪个更好用
这两个是针对不同的领域，GPU云服务器通常用来做浮点或者图形计算。甚至是机器学习。
FPGA更多用在工业领域。
GPU 云服务器（GPU Cloud Computing）是基于 GPU 应用的计算服务，具有实时高速的并行计算和浮点计算能力，适应用于 3D 图形应用程序、视频解码、深度学习、科学计算等应用场景。
FPGA 云服务器（FPGA Cloud Computing）是基于FPGA（Field Programmable Gate Array）现场可编程阵列的计算服务，您只需单击几下即可在几分钟内轻松获取并部署您的FPGA计算实例。您可以在FPGA实例上编程，为您的应用程序创建自定义硬件加速。
F. 深度学习硬件这件事，GPU，CPU，FPGA到底谁最合适
在未来的深度学习中，大约有95%的应用是数据的推断。
而且FPGA或者ASIC相较于GPU/CPU无论在研发还是产出上的成本都明显降低。
因此必然是兵家必争之地。
无论从INTEL收购ALTRA/ Movidius，还是XILINX与IBM合作，抑或谷歌和高通默默开发自己的专属ASIC中都可见一斑。
而且针对移动端的深度学习，FPGA或者ASIC更多的会以SOC形式出现，以至于更好的优化神经网络结构提升效率。
G. 详解人工智能芯片CPU/GPU/FPGA有何差异
第一、IBM与全球第一大FPGA厂商Xilinx合作，主攻大数据和云计算方向，这引起Intel的巨大担忧。
Intel已经在移动处理器落后，大数据和云计算领域不能再落后。
第二、FPGA在云计算、大数据领域将深入应用。
Intel此次与Altera合作，将开放Intel处理器的内部接口，形成CPU+FPGA的组合模式。
其中FPGA用于整形计算，cpu进行浮点计算和调度，此组合的拥有更高的单位功耗性能和更低的时延。
第三、IC设计和流片成本。
随着半导体制程指数增长，FPGA在物联网领域将替代高价值、批量相对较小（5万片以下）、多通道计算的专用设备替代ASIC。
同时，FPGA开发周期比ASIC短50%，可以用来快速抢占市场。
H. 服务器端人工智能，FPGA和GPU到底谁更强
FPGA 可以开发出为机器学习算法专用的架构，但是 FPGA 本身的峰值性能较 GPU 要差很多。FPGA 和 GPU 哪个跑机器学习算法更强（平均性能更好），完全取决于 FPGA 架构优化能否弥补峰值性能的劣势。
I. fpga真的能取代cpu和gpu吗
FPGA相对于CPU和GPU，在进行感知处理等简单重复的任务的时候的优势很明显，按照现在的趋势发展下去，FPGA或许会在未来取代机器人开发中GPU的工作。
因为FPGA和GPU虽然都精于大量的重复运算，但FPGA的能耗会远低于GPU。可是FPGA或许永远没有办法取代CPU的地位，而事实上目前的各类应用中，FPGA也多作为CPU的协处理器而出现，而不是真正的核心运算单元。
J. 详解人工智能芯片 CPU/GPU/FPGA有何差异
GPU与CPU的区别：CPU的内核比较少（单核、双核、四核、八核等等），比较复杂，功能强大；GPU的内核比较多（好几百甚至上千个），但比较简单，功能单一，适合于进行像素级并行图形处理。虽然GPU最初是为图形处理而设计的，但由于它具有并行处理特性，现在已经将其应用到众多的需要并行处理的非图形领域了。例如DNA 排序、物理建模、消费者行为预测、GPU云服务器等等。
GPU与深度学习的关系：原本深度学习与图形无关，当然也与图形处理器GPU无关。深度学习需要大量的训练，训练算法并不复杂，但数据量大。如果用CPU进行训练，CPU的内核少，训练时间就长；而GPU的多内核优势在此时就发挥出来了。因此，玩深度学习的人，在进行训练时，就借用GPU的多内核、并行处理的优势，将GPU用到了非图形领域。
FPGA也有并行处理优势，也可以设计成具有多内核特点的硬件。所以，目前深度学习就存在采用GPU和FPGA这两大类硬件的现状。