Week 14 Lesson 1

Week 14课程的材料是关于ML的硬件架构的，作为课程材料的论文也是非常的牛，作者都是来自于Stanford大学的教授。

课程材料的内容总结起来就是实现了一种针对ML优化的编程语言，该语言抽象了ML计算的硬件实现，就是说用这个语言编写的ML代码可以方便地利用ML的硬件加速器。

做这样一个语言的出发点是基于FPGA的ML加速器如果采用HDL编程的话对软件人员非常不友好，因为HDL就不是从算法的角度描述问题的。作者设计了一种针对ML的新的领域特定语言Domain Specified Language，自己设计了编译器可以将基于这种语言的代码编译成Chisel，然后Chisel可以编译成基于HDL的FPGA设计。

ML的优化主要是针对控制循环的优化，例如一个For循环的矩阵乘法可以直接利用硬件实现，但是要解决参数的传递，硬件矩阵乘法器的软件抽象，编程接口以及如何通过软件指定硬件实现的参数等。

ML的第二个优化是内存的设计，CPU只有寄存器和内存，Cache也算吧，而ML的硬件加速可以设计多种内存，软件可以指定代码使用哪种内存，并控制数据在不同类型的内存间的拷贝。

ML的第三个优化是关于接口的，硬件模块和软件之间的接口，具体设计类似FPGA的HLS。

作者牛就牛在实现了这个语言的定义，编译器的开发，拿常用的ML算法做了对比，然后把结果摆出来了。

结论：

本文设计了用于在可重构架构上设计ML应用程序加速器的语言。Spatial包括用于控制、内存和设计调优的特定于硬件的抽象，这有助于在高效加速器设计和性能驱动加速器设计之间提供平衡。我们已经证明，Spatial可以从单一源针对一系列可重构架构，并可以实现比SDAccel平均2.9倍的加速，而代码减少42%。Spatial语言和编译器是斯坦福大学一个正在进行的开源项目。

牛