1. 研究目的与意义（文献综述）

随着社会的高速发展，互联网用户的快速增长，各行各业都产生了海量的数据，对于海量数据的高效处理方法已经成为当前的研究热点。然而，在摩尔定律的限制下，当今通用处理器的计算能力已经很难满足大数据处理的高性能需求^[1]，一些潜在的新型计算系统包括量子计算机、神经网络计算机异构计算等相继出现。其中，异构计算以“cpu ”的形式出现，具有较好的可行性及通用性，有望率先主导处理器市场^[2]。

20世纪80年代，异构计算技术就已经诞生了。所谓的异构，就是cpu、dsp、gpu、asic、协处理器、fpga等各种计算单元、使用不同的类型指令集、不同的体系架构的计算单元，组成一个混合的系统，执行计算的特殊方式，就叫做“异构计算”。

目前异构计算平台的主流是“cpu gpu”和“cpu fpga”架构。这些典型异构计算架构最大的优点是具有比传统cpu并行计算更高效率和低延迟的计算性能，尤其是业界对计算性能需求水涨船高的情况下，异构计算变得愈发重要。与cpu相比，gpu和fpga拥有更多的优势，gpu在浮点计算、并行处理等方面的性能远远高出cpu。同时, 越来越多的深度学习标准库支持基于gpu加速, 如open cl、cuda等^[3]；而fpga的优势则主要体现在它拥有更高的每瓦性能、价格便宜、能耗较低，可以采用opencl、c等更高效的编程语言, 降低了硬件编程的难度;还可以集成重要的控制功能, 整合系统模块, 提高了应用的灵活性^[3]。

2. 研究的基本内容与方案

1）研究（设计）的基本内容

构建出一种适用于深度学习的高计算性能，高加速性能和低功耗的基于cpu gpu fpga异构计算智能服务平台。

根据提供的需要加速的深度学习的程序，提取出计算的数据和加速的内核，然后在特定的调度程序的分配下，通过设计的数据和内核接口，利用opencl api分别调度硬件加速平台^[8-9]，将不同的加速内核和数据分配给不同的硬件设备，如intel cpu，nvidia gpu，xilinx fpga，底层的硬件设备完成各自的加速任务，最终将计算结果返回到数据接口，最终构建出cpu gpu fpga的异构计算平台。

3. 研究计划与安排

2019/02/28：完成基础知识的学习，撰写开题报告；

2019/03/15：完成基础的cpu gpu fpga的硬件平台的搭建；

2019/04/15：完成基于cuda的gpu的开发，完成基于sdx的fpga的开发；

4. 参考文献（12篇以上）

[1]逄健, amp; 刘佳. (2015). 摩尔定律发展述评. 科技管理研究, 35(15), 46-50.

[2]虞志益. (2017). “异构计算” 专题前言. 电子技术应用, 43(3), 5-5.

[3]沈阳, 王倩, 王亚男, amp; 王磊. (2017). 深度学习硬件方案综述. 广播电视信息, (10), 64-68.