差别

这里会显示出您选择的修订版和当前版本之间的差别。

--- students:xuhao [2019/08/17 19:25]
xuhao [池化ip的生成]
+++ students:xuhao [2019/08/26 19:07] (当前版本)
xuhao
@@ 行 1: / 行 1: @@
+# 培训总结
+[培训内容](students:peixun)
 # KiCad pcb和原理图设计
   * KiCad，是一款免费开源的PCB设计工具，提供了一个用于原理图输入和PCB布局布线的集成化开发环境，在这个工具中还有用于产生BOM、Gerber文件、对PCB及其上元器件进行3D查看的功能，支持Python脚本定制。
@@ 行 5: / 行 9: @@
     * [官方库](https://kicad.github.io/)
     * [Ultra Librarian](https://www.ultralibrarian.com/)
-    * [SamacSys](www.samacsys.com)
+    * [SamacSys](https://www.samacsys.com)
   * 几点心得
     * 少用标签
@@ 行 181: / 行 185: @@
 # PYNQ和Vivado
+[一些学习笔记](https://blog.csdn.net/xh116996/article/details/89218766)
 # MNIST数据集训练与加速
 ## 方案思路
-  * 利用tensorflow训练神经网络识别mnist数据集，保存训练参数；利用vivado hls定制卷积和池化ip核；在pynq上复现训练好的神经网络，导入网络参数，利用硬件加速手写数字识别。
+  * 搭建并训练神经网络
-  * mnist神经网络的搭建和训练（[深入MNIST](http://www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html)）
+    * 利用tensorflow训练神经网络识别mnist数据集，保存训练参数；利用vivado hls定制卷积和池化ip核；在pynq上复现训练好的神经网络，导入网络参数，利用硬件加速手写数字识别。
-    * 开发工具 PyCharm, python 3.7, tensorflow 1.14.0
+    * mnist神经网络的搭建和训练（[深入MNIST](http://www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html)）
-    * 搭建四层的神经网络：
+      * 开发工具 PyCharm, python 3.7, tensorflow 1.14.0
-        * (1, 5, 5, 32)卷积，relu激活，2X2池化；
+      * 搭建四层的神经网络：
-        * (32, 5, 5, 64)卷积，relu激活，2X2池化；
+          * (1, 5, 5, 32)卷积，relu激活，2X2池化；
-        * (7X7X64, 1024)全连接层，relu激活，dropout；
+          * (32, 5, 5, 64)卷积，relu激活，2X2池化；
-        * (1024, 10)全连接输出层，softmax分类；
+          * (7X7X64, 1024)全连接层，relu激活，dropout；
-  * 如何保存训练数据？训练好的网络参数是以浮点数(float)类型存储，而在硬件电路中，浮点数计算较慢，所以把网络参数转化为定点数类型导入网络。设计的硬件ip中，乘法运算采用int16型乘法，所以网络权重参数采用int16存储，但可以配置小数点位数（fraction_cnt）来存储小数(= int16 / pow(2, fraction_cnt))。将数据以字节的形式存放在bin中。
+          * (1024, 10)全连接输出层，softmax分类；
+  * 保存神经网络数据
+    * 如何保存训练数据？训练好的网络参数是以浮点数(float)类型存储，而在硬件电路中，浮点数计算较慢，所以把网络参数转化为定点数类型导入网络。设计的硬件ip中，乘法运算采用int16型乘法，所以网络权重参数采用int16存储，但可以配置小数点位数（fraction_cnt）来存储小数(= int16 / pow(2, fraction_cnt))。将数据以字节的形式存放在bin中。
+  * 在pynq的pl中搭建神经网络
+    * fpga的配置采用ip设计，主要包括卷积运算ip和池化运算ip。
+    * 利用对卷积计算ip和池化运算ip的复用来实现多层卷积神经网络。
+{{ :students:硬件卷积神经网络.jpg?200 |}}
+  * 在pynq的ps中控制神经网络，能够实现对数字的识别
+    * 在jupyter notebook的环境中开发。
+    * 主要包括导入比特流文件配置pl部分，读取图片和利用网络识别数字。
-## vivado综合硬件模块：卷积和池化
+## 搭建并训练神经网络，保存网络数据
+  * 参考[深入MNIST](http://www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html)搭建网络，网络数据按照想要的格式保存下来。
+## vivado综合硬件ip：卷积和池化
 ### 开发工具
@@ 行 285: / 行 302: @@
     * C综合是根据上述设定的优化选项和接口协议等将C++程序综合成RTL级HDL语言，并生成综合报告，描述综合后的硬件的时序、消耗的逻辑资源和对外接口类型。
     * C&RTL联合仿真是对综合出来的硬件进行仿真，分析仿真波形来修改C++程序或优化选项等。
+{{ :students:池化ip的时序和逻辑消耗.png?200 |}}
+{{ :students:池化ip外部接口类型.png?200 |}}
   * 生成IP核
-    * 选择 Export RTL生成ip核，包括硬件描述、HDL程序和C驱动程序等。在Vivado中调用生成的ip核时，需要将生成的文件夹添加到Vivado的ip搜索目录下；配置ip时参考driver目录下的xxx_hw.h文件。
+    * 选择 Export RTL生成ip核，包括硬件描述、HDL程序和C驱动程序等。在Vivado中调用生成的ip核时，需要将生成的文件夹添加到Vivado的ip搜索目录下；在jupyter notebook中配置ip时参考driver目录下的xxx_hw.h文件。
+{{ :students:ip核驱动程序.png?200 |}}
@@ 行 292: / 行 315: @@
   * 卷积算法
-## jupyter硬件加速识别数字
+## jupyter配置硬件，加速识别数字
   * Vivado构建pynq的overlay——利用ip配置pynq中的PL部分
-  *
+    * 搭建如图所示的结构，综合、实现、生成比特流。将生成的.srcs\sources_1\bd\design_1\hw_handoff\design_1.hwh文件和.runs\impl_1\design_1_wrapper.bit文件找出来并修改为同样的名字。
+{{ :students:捕获.jpg?200 |}}
+  * 连上pynq开发板，将hwh文件和bit文件通过本地资源管理器连接pynq上传到板子的文件系统内，并在该目录下新建一个ipynb文件，在该文件中实现相应功能程序。
+  * 导入比特流文件，配置pynq上的pl部分。
+```python
+from pynq import Overlay
+from pynq import Xlnk
+ol = Overlay("conv.bit")
+ol.download()
+print(ol.ip_dict.keys())
+dma = ol.axi_dma_0
+pool = ol.pool_stream_0
+conv = ol.Conv_0
+xlnk = Xlnk()
+```
+  * 导入网络参数
+```python
+import driver
+from MNIST_LARGE_cfg import *
+driver.Load_Weight_From_File(W_conv1, "./record/W_conv1.bin")
+driver.Load_Weight_From_File(W_fc1, "./record/W_fc1.bin")
+driver.Load_Weight_From_File(W_fc2, "./record/W_fc2.bin")
+```
+  * 导入数字图片，并使用搭建好的网络识别数字，同时利用内置计时器观察硬件执行时间
+```python
+start=time.time()
+driver.Run_Conv(conv, 1,32, 3,3,  1,1,  1,0,  src_buffer,PTR_IMG,W_conv1,PTR_W_CONV1,h_conv1,PTR_H_CONV1)
+driver.Run_Pool(pool,dma, 32,  4,4,  h_conv1,h_pool1)
+driver.Run_Conv(conv, 32,256,  7,7,  1,1,  0,0,  h_pool1,PTR_H_POOL1,W_fc1,PTR_W_FC1,h_fc1,PTR_H_FC1)
+driver.Run_Conv(conv, 256,10,  1,1,  1,1,  0,0,  h_fc1,PTR_H_FC1,W_fc2,PTR_W_FC2,h_fc2,PTR_H_FC2)
+end=time.time()
+print("Hardware run time=%s s"%(end-start))
+```
+  * 观察最后识别出的数字
+```python
+max=-32768
+num=0
+for i in range(10):
+    if(h_fc2[i//K][0][0][i%K]>max):
+        max=h_fc2[i//K][0][0][i%K]
+        num=i;
+print("predict num is %d"%num);
+```