随着人工智能技术的快速发展,算法对芯片的算力要求越来越高,摩尔定律的放缓甚至失效让芯片仅仅依靠先进的制造工艺来提升性能已经变得越来越难,伴随人工智能产生的新型计算形式对数据中心服务器的功耗和性能提出了更大的挑战。CPU+FPGA作为一种特殊的异构计算方式,在计算性能、实时性和能效比方面相对于传统计算架构拥有巨大优势。但是传统的FPGA作为外接硬件设备,主要通过PCIe总线接口与中央处理器通信,通常需要冗长的设备连接建立过程,从而产生数据传输效率降低问题。另一方面,随着深度学习的发展,人们开始尝试使用深度学习方法解决广告推荐问题,Deep FM算法模型是一种结合了深度神经网络的推荐算法,该算法能根据用户的特性针对化地为用户推荐感兴趣的内容,相对于传统推荐算法具备更优的准确性。随着可获取信息数据的增加,Deep FM算法需要处理的数据量激增,在大规模数据计算时传统中央处理器出现计算速度慢,延时高的问题,难以满足实际应用场景中的实时性要求。针对以上问题,本文提出了基于CAPI技术的Deep FM算法模型FPGA异构加速方法。基于CAPI技术缓存一致性原理提出了一种软硬件协同数据通信框架,该框架用于CPU与FPGA之间的数据传输,大幅降低了CPU与FPGA的通信延时,同时开发者可以根据需要替换算法核加速逻辑,具备可拓展性。基于上述软硬件协同数据通信框架,设计了一种加速Deep FM算法推理阶段的硬件并行架构,通过FPGA脉动阵列结构并行加速Deep FM内部核心计算,同时采用基于索引矩阵的因子分解机FPGA计算方法来优化计算形式,增大计算速率。最后试验表明,基于CAPI技术的软硬件协同数据通信框架在CPU与FPGA的数据传输上具备更高的传输带宽以及更低的通信时延。基于CPU+FPGA异构实现的Deep FM算法的推理速度相比中央处理器具有显著硬件加速性能及鲁棒性。