近來卷積神經網絡（CNN）的研究十分熱門。CNN發展的一個瓶頸就是它需要非常龐大的運算量，在實時性上有一定問題。而FPGA具有靈活、可配置和適合高并行度計算的優點，十分適合部署CNN。

快速開始

環境需求PYNQ v2.4，Python 3.6.5。

需要安裝caffe和Lasagne這兩個計算平臺。我們將使用caffe中預訓練的參數并利用Lasagne來搭建網絡

具體安裝過程參見github項目文件中的 PYNQ案例-分類器.docx這個文檔，其包含了本項目的詳細操作步驟。

Overlay介紹

PYNQ-Classifcation是一個軟件上基于caffe和Lasagne，硬件加速的CNN分類器項目，它使用python語言在PYNQ框架下進行軟件編程和硬件驅動。

上圖為工程項目示意圖。通過軟硬件劃分，在PS端中負責Linux和通信，而PL端負責運算加速。在PYNQ中加載bit時，PL端的控制部分將以IP核形式呈現。通過Python，對IP核的參數配置來實現控制。

此項目中采用的CNN結構示意圖(以CIFAR_10為例子)，本項目中的卷積層由兩個子層構成，一個是im2col子層，它的作用是將輸入矩陣中的卷積窗口展開乘一維向量，另一個是點乘子層，它的作用是將im2col子層輸出的向量和展開成一維的卷積核相乘加。卷積層有一個參數是output_rectify，這對應的是當前卷積層是否應用Relu非線性層，0為否，1為是。池化層(pool)有兩種選項，一是最大值池化，二是平均值池化。

項目演示（CIFAR-10為例）

運行

/PYNQ-Classification/python_notebooks/Theano/CIFAR_10/Using a Caffe Pretrained Network - CIFAR10.ipynb

-- 如果想嘗試Lenet5則運行

/PYNQ-Classification/python_notebooks/Theano/Lenet/Using a Caffe Pretrained Network - LeNet5.ipynb

它們的notebook類似，只不過硬件上部署的網絡不一樣

開始

將庫都包含進工程，并且讀取caffe中預先訓練好的CIFAR_10模型。

然后

建立一個Lasagne的網絡結構，這個網絡結構和硬件中的結構類似，硬件中去掉了第一個ReLU層。將訓練好的模型參數導入到這個網絡中。

下一步

我們將模型參數導入硬件，使用FPGALoadW函數來實現這一步。函數會打印出一些有關信息。

接下來

導入CIFAR_10數據集

這里我們構建一張新的網絡，把原來的中間層換成我們自定義的FPGA_CIFAR10層，這一層把原來的中間層全部包含了進去，并在FPGA上實現。然后輸入數據集，得到結果，結果保存在FPGA_predicted中。最后顯示了準確度，達到72.8%。這里也會顯示一些耗時。

這里我們可以看到這個網絡的部分識別結果。

這里再用CPU運行一遍這個網絡，可以看到它用時46.5秒，比使用FPGA完成卷積慢了很多。