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。
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。
; Q4 X- j6 x" U" f( [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。

8 \/ Q7 D% S% \4 I
5 G- p8 K( B' w- V, W5 W% n
, e( O# l" q' W7 l2 _$ V+ E▲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）
# @5 W* }+ R" S; Q8 F


▲FPGA 的浮点乘法运算能力（估计值，float16 用软核，float 32 用硬核）
2 T9 G. b4 u5 s) h' t; `
5 k7 _7 K) X1 g' Q0 Y在数据中心，FPGA 相比 GPU 的核心优势在于延迟。
# I0 W* M7 U# Z. H9 j2 o
% Y; F. @) K+ _) F6 I; S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。

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）。
( O4 v! N) z5 M" b9 ?2 }
+ [- D7 \8 ^% j9 W8 p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。
/ l' x& [" g6 A1 ]' Z  \

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