【米尔边缘AI计算盒FZ5测评】手写数字识别——Letnet神经网络计算加速

zzx1997 发表于 2021-3-19 20:53

<div class='showpostmsg'>在了解基本神经网络的配置之后将利用HLS平台实现基本的神经网络，网络目前没有进行量化，选择的数据格式为float，由于神经网络的feature map较大，FPGA的片上RAM难以存储整个网络，所以采取逐层加速的方法，降低计算过程中对RAM的需求，但是网络会更容易受到DDR读写带宽的限制。下面对HLS程序进行简单的介绍：

首先使用AXI_Master总线用于读取位于PS侧的图像和权重数据，然后使用AXI_lite总线用于配置读取的物理地址。



通过AXI总线加载数据的函数如下所示：



根据UG902当中的介绍，在使用AXI总线时使用memcpy函数是可综合成实际电路的。加载完成后将使用逐层计算的方式进行加速：



运算过程中直接使用了for循环，没有根据计算过程设计更优的硬件，for循环中仅使用了流水线命令进行优化，同时使用了数组分割使数组直接映射为触发器，减少运算带宽问题，根据LetNet网络结构完成相关代码编写后，进行综合，HLS综合得到的结果如下所示：



可以看到整体资源占用较少，HLS综合得到的结果并不准确，时序和资源等参数仅能作为参考，需要使用vivado进行综合才能得到更为准确的结果。综合完成后导出IP，方便进行vivado工程搭建。搭建完成的vivado工程如下所示：



然后进行编译得到的结果如下所示：



可以看到整个工程的LUT占用较多，DSP占用较少，HLS部分还有很大的优化空间。然后将生成的tcl、bit和hwh文件导入pynq，然后打开ipynb文件运行相关程序：

首先配置相关寄存器：



寄存器的具体地址可以使用vivado或者SDK进行查看，然后逐层运行加速程序：



最终得到识别结果：



可以看到结果正确，并且进行一张图片的推理时间为0.005秒左右，说明计算帧率在200帧左右，效果良好。

 

 

 

 

 

 
</div><script> var loginstr = '<div class="locked">查看本帖全部内容，请<a href="javascript:;" style="color:#e60000" class="loginf">登录</a>或者<a href="https://bbs.eeworld.com.cn/member.php?mod=register_eeworld.php&action=wechat" style="color:#e60000" target="_blank">注册</a></div>';

if(parseInt(discuz_uid)==0){
(function($){
var postHeight = getTextHeight(400);
$(".showpostmsg").html($(".showpostmsg").html());
$(".showpostmsg").after(loginstr);
$(".showpostmsg").css({height:postHeight,overflow:"hidden"});
})(jQuery);
} </script><script type="text/javascript">(function(d,c){var a=d.createElement("script"),m=d.getElementsByTagName("script"),eewurl="//counter.eeworld.com.cn/pv/count/";a.src=eewurl+c;m.parentNode.insertBefore(a,m)})(document,523)</script>

Jacktang 发表于 2021-3-20 21:08

整个工程的LUT占用较多，DSP占用较少

何以见得呢

页: [1]

电子工程世界-论坛's Archiver

【米尔边缘AI计算盒FZ5测评】手写数字识别——Letnet神经网络计算加速