FPGA是一堆晶体管，您可以将它们连接起来以制作所需的任何电路。
它就像一个纳米级面包板。
使用FPGA就像将芯片带出来，但是您只需要购买该芯片即可构建不同的设计。
作为交换，您需要付出一些效率代价。
从字面上来讲，这种说法是错误的，因为您无需重新连接FPGA，它实际上是通过路由网络连接的查找表的二维网格，以及一些算术单元和存储器。
FPGA可以模拟任何电路，但实际上它们只是在模仿，就像软件电路模拟器可以模拟电路一样。
使这个答案不合适的原因是，它简化了人们实际使用FPGA的方式。
接下来的两个定义可以更好地描述FPGA。
电路仿真是FPGA的经典主流用例，这也是FPGA首次出现的原因。
FPGA的关键是硬件设计是用HDL编码的，并且可以通过购买一些廉价的硬件来获得与ASIC相同的效果。
当然，您不能在FPGA和实际芯片上使用完全相同的Verilog代码，但至少它们的抽象范围是相同的。
这是与ASIC原型设计不同的用例。
与电路仿真不同，计算加速是FPGA的新兴用例。
这就是Microsoft最近成功加速搜索和深度神经网络的原因。
关键在于，该计算示例不依赖于FPGA与真实ASIC之间的关系：开发人员为基于FPGA的加速编写的Verilog代码不需要与用于流片的Verilog代码有任何相似之处。
在编程，编译器和抽象方面，这两个示例之间存在巨大差异。
我更加关注后者，我将其称为“计算FPGA编程”。
（计算FPGA编程）。
我的观点是，当前用于计算FPGA的编程方法都是从传统的电路仿真编程模型中借用的，这是错误的。
如果要开发ASIC原型，则Verilog和VHDL都是正确的选择。
但是，如果目标是计算，我们可以并且应该重新考虑整个堆栈。
让我们直接说吧。
FPGA是一种非常特殊的硬件，用于有效执行模拟电路描述的特殊软件。
FPGA配置需要一些底层软件-这是为ISA编写的程序。
在这里，您可以将GPU用作类比。
在深度学习和区块链变得流行之前，有一段时间使用GPU来处理图形。
在21世纪初，人们意识到在处理没有图形数据的计算密集型任务时，他们还将GPU用作加速器：GPU设计人员建造了更多的通用机器，而3D渲染只是其中的一种应用。
FPGA的定义与GPU的模拟计算FPGA遵循相同的轨迹。
我们的想法是大量使用这种时髦的硬件，当然不是为了电路仿真，而是使用适合电路执行的计算模式，并以类似的方式看待GPU和FPGA。
为了使GPU成为当今的数据并行加速器，人们必须重新定义GPU输入的概念。
我们曾经认为GPU接受视觉效果的特殊，强大，特定于领域的描述。
我们已经实现了GPU执行程序，从而释放了它们的真正潜力。
这样的实现允许GPU的目标从单个应用程序域发展到整个计算域。
我认为计算FPGA也在经历类似的转变，并且没有简洁地描述FPGA擅长的基本计算模式。
但这与潜在的不规则并行性，数据重用和大多数静态数据流有关。
像GPU一样，FPGA也需要可以反映此计算模型的硬件抽象。
Verilog用于计算FPGA的问题在于，它在低层硬件抽象中不能很好地工作，而在高层编程抽象中则不能很好地工作。
让我们通过矛盾想象一下，如果我们将这些角色替换为RTL（寄存器传输级别）。
即使是RTL专家也可能不会相信Verilog是有效开发主流FPGA的一种方式。
它不会将编程逻辑推向主流。
对于有经验的硬件黑客来说，RTL设计似乎是友好而熟悉的，但是它与软件语言之间的生产力差距是无法估量的。
实际上，对于当前的计算FPGA，Verilog实际上是ISA。
主要的FPGA供应商工具链将使用Verilog作为输入，而高级语言编译器将使用Verilog作为输出。
供应商通常将比特流格式保密，因此Verilog在抽象层次结构中应尽可能低。
将Verilog用作ISA的问题在于，它与硬件之间的距离太远了。
RTL和FPGA硬件之间的抽象差距很大。
从传统的角度来看，它必须至少包括综合，技术
