为什么FPGA不适合做训练 FPGA不适合训练的原因。

为什么FPGA不适合做训练？

在深度学习中，训练神经网络需要大量的计算资源。传统的CPU计算能力有限，GPU因其并行计算能力成为深度学习中常用的计算设备。但是，与GPU相比，FPGA并不适合作为深度学习训练的选择。下面从几个方面具体分析FPGA为何不适合做深度学习训练。

1、灵活性差

FPGA的灵活程度要比GPU低。GPU可以实现下沉网络和卷积神经网络两种深度学习结构，而FPGA只能适应卷积神经网络，而且还需要对网络进行重新设计。这导致FPGA在深度学习中的适用范围较窄，没有与GPU相同的通用性。

2、复杂度高

对于深度学习任务而言，FPGA的使用往往要求对硬件进行重新设计，而且重量级的设计工具也需要进行复杂的设置，这对于用户而言需要付出更多的时间和成本。而GPU计算复杂度相对较低，只需要一些简单的操作便可以使用。

3、计算资源受限

需要指出的是，除非FPGA配备了专用的加速卡，否则它很可能无法在深度学习任务中获得足够的计算资源，即仍然无法与GPU相媲美。原因主要是FPGA 计算架构比较复杂，并且有许多程序需要完全在硬件上实现，受到限制的计算资源也会影响模型训练的速度和效率。

4、代码可移植性差

通常情况下，深度学习领域的研究者们都是通过标准接口及流行的深度学习框架完成模型的开发及训练。这不仅可以解决算法实现的问题，而还可以在不同平台之间灵活移植代码。然而，因为FPGA的体系结构非常特殊，支持的深度学习框架和工具却很有限，并且开发和适配的难度非常大，代码的可移植性差。

总结

在训练深度学习模型时，FPGA并不是一个非常好的选择。虽然FPGA有些情况下可以比GPU更高效，但对于大部分深度学习任务而言，GPU更加适合。