腾讯云带来的革命性进展是：将 FPGA 部署时间从数月缩短到数分钟，企业可按需付费使用 FPGA，极大降低 FPGA 的使用成本，实现高性能 FPGA 硬件加速处理。企业可以通过 FPGA 云服务器进行 FPGA 硬件编程，可将性能提升至通用 CPU 服务器的30 倍以上。同时腾讯云率先在国内提供第三方 FPGA 知识产权市场，通过腾讯云服务市场，FPGA 开发者和使用者可以更高效地交易。

　　长期以来，FPGA 行业内的提供者和使用者一直缺乏交易平台和信用保证，导致交易环节冗长，很难达成交易。腾讯云服务市场搭建一个简单可靠的 FPGA 知识产权交易市场。

　　对于 FPGA 使用者而言，可以在腾讯云服务市场购买已开发并验证好的 FPGA 知识产权功能，可节约长达数月的 FPGA 研发周期，同时采用按需使用付费的模式，能最大化地节省硬件投入成本。

　　而 FPGA 开发者可以通过使用腾讯云 FPGA 的开发框架，显著提升研发效率，atv直播，更专注于核心功能开发，将图像处理功能、深度学习功能等已有的成熟 FPGA 知识产权通过简单封装适配，集成并投放到腾讯云服务市场，开放给 FPGA 使用者使用，分摊 FPGA 知识产权的研发成本。

　　FPGA 应用案例FPGA 应用案例一

　　· 项目背景：

　　随着移动互联网的发展，基于用户社交平台的腾讯每天用户上传的图片越来越庞大，公司目前用于图片转码的业务主要有 QQ 相册、微信及其他业务。图片格式中有 JPEG 格式、WEBP 格式等，WEBP 图片格式比 JPEG 图片格式存储空间小 30%。如果落地存储采用 WEBP 格式替代 JPEG 格式，可以减少三分之一存储空间；而传输分发用 WEBP 格式，还可以降低传输流量，从而提升用户的图片下载体验。而采用 WEBP 的问题在于 WEBP 压缩计算复杂度是 JPEG 压缩的 10 倍以上，采用 CPU 进行 WEBP 转码成本很高，导致很难在业务中全面推广。为了增强图片转码能力，我们使用 FPGA 对图片转码进行加速。

　　· 项目结果：

　　完成 JPEG 格式图片转成 WEBP 格式图片，测试图片大小为 853x640，FPGA 处理延时相比 CPU 降低20 倍，FPGA处理性能是CPU机器的6 倍，FPGA机型单位成本是 CPU 机型的1/3。

　　表1. FPGA 和 CPU 的计算性能对比

　　?FPGA 应用案例二

　　· 项目背景：

　　传统上，Google、百度等搜索引擎公司以 Logistic Regression（LR）作为预估模型。早在 2012 年开始，百度开始尝试将 DNN 算法作用于搜索广告，并在2013 年 5 月就开始服务于百度搜索广告系统。近年来异军突起的今日头条在技术上也使用了 DNN 算法，提高新闻的点击率。但是 DNN 算法对系统的计算量明显增大，如果还是用 CPU 进行计算，无法满足系统的延时和吞吐率要求。

　　DNN 算法模型为17*200*20*1的 4 层模型，要求 4000 个样本的 DNN 计算时延要小于5ms。如果用 CPU 计算，B6(CPU E5-2620 X 2) 机器的计算时延为120.55ms*，无法满足要求(计算时间见表2)。因此，我们用 FPGA 对 DNN 计算进行加速，使 4000 个样本的 DNN 计算时延小于 5ms。

　　· 项目结果：

　　我们在使用 50% 的 FPGA 资源的情况下，将 4000 个样本的 DNN 计算时延减小为1.2ms，吞吐率达到 6000 集合/s(4000 个样本为 １ 个集合)，不仅达到了系统对低延时的要求，而且极大地提高了系统的吞吐能力，处理延时降低100 倍，处理吞吐率提高5 倍，atv，成本是 CPU 机型的1/5。说明 FPGA 在 DNN 计算加速上有较明显的优势。

　　表2. FPGA 和 CPU 的计算性能对比

　　FPGA 应用案例三

　　· 项目背景：

　　深度学习（DL）近年来在语音识别、图片分类和识别、推荐算法等领域发挥了越来越大的作用。深度学习基于深度神经网络理论，用在图片分类的神经网络是其中的一个分支：卷积神经网络(CNN)。随着移动互联网的发展，基于用户社交平台的腾讯每天用户上传的图片越来越庞大，并且增长速度很快。为了增强图片检测的处理能力，降低图片检测成本，我们使用 FPGA 对 CNN 计算进行加速。

　　· 项目结果：

　　FPGA 完成 CNN 算法的Alexnet模型，FPGA处理性能是 CPU 机器的4 倍，FPGA机型单位成本是 CPU 机型的1/3。

　　小结