Xilinx zynq系列FPGA實現神經網絡評估

本篇目錄

1. 內存占用

1.1 FPGA程序中內存的實現方式

1.2 Zynq的BRAM內存大小

1.3 一個卷積操作占用的內存

2. PipeCNN可實現性

PipeCNN論文解析：用OpenCL實現FPGA上的大型卷積網絡加速

2.1 已實現的PipeCNN資源消耗

3. 實現大型神經網絡的方法

4. Virtex-7高端FPGA概覽、7系列FPGA相關文檔

正文

0Zynq7000系列概覽

1內存占用

1.1 FPGA程序中內存的實現方式

參閱xilinx文檔UG998

FPGA并沒有像軟件那樣用已有的cache，FPGA的HLS編譯器會在FPGA中創建一個快速的memory architecture以最好的適應算法中的數據樣式（data layout）。因此FPGA可以有相互獨立的不同大小的內部存儲空間，例如寄存器，移位寄存器，FIFOs和BRAMs。

寄存器：最快的內存結構，集成在在運算單元之中，獲取不需要額外的時延。

移位寄存器：可以被當作一個數據序列，每一個數據可以在不同的運算之中被重復使用。將其中所有數據移動到相鄰的存儲設備中只需要一個時鐘周期。

FIFO：只有一個輸入和輸出的數據序列，通常被用于循環或循環函數，細節會被HLS編譯器處理。

BRAM：集成在FPGA fabric模塊中的RAM，每個xilinx的FPGA中集成有多個這樣的BRAM。可以被當作有以下特性的cache：1.不支持像處理器cache中那樣的緩存一致性（cache coherency，collision），不支持處理器中的一些邏輯類型。2.只在設備有電時保持內存。3.不同的BRAM塊可以同時傳輸數據。

1.2 Zynq的BRAM內存大小

zynq 7z020的BRAM為4.9Mb，7z035的BRAM為17.6Mb（2.2MB）

1.3 一個卷積操作占用的內存

例如，我們實現的卷積函數，輸入27×600，卷積核16×27，輸出16×600，數據類型為float。

//convolution operation for （i = 0; i 《 16; i++） { for （j = 0; j 《 600; j++） { result = 0; for （k = 0; k 《 27; k++） { temp = weights［i*27+k］ * buf_in［k*600+j］; result += temp; } buf_out［i*600+j］ = result; } }

在HLS中生成的IPcore占用硬件資源為：

在vivado中搭建好系統，占用的資源為：

2PipeCNN可實現性

PipeCNN是一個基于OpenCL的FPGA實現大型卷積網絡的加速器。

PipeCNN解析文檔：

PipeCNN論文解析：用OpenCL實現FPGA上的大型卷積網絡加速

github地址：https://github.com/doonny/PipeCNN#how-to-use

2.1 已實現的PipeCNN資源消耗

對于Altera FPGA，運用 Intel‘s OpenCL SDK v16.1 toolset.

對于Xilinx FPGAs， the SDAccel development environment v2017.2 can be used.

Xilinx’s KCU1500 （XCKU115 FPGA）（已經有xilin的板子實現過pipeCNN，但是型號比zynq高很多）

硬件資源可以被三個宏調控，device/hw_param.cl. Change the following macros

VEC_SIZE

LANE_NUM

CONV_GP_SIZE_X

消耗資源為：

3實現大型神經網絡的方法

方案一：壓縮模型到《2.2MB，可實現在BRAM中

優點：1.速度快 2.實現方便

缺點：1.模型壓縮難度 2.難以實現大型網絡

方案二：用FPGA調用DDR

優點：1.速度中等 2.可實現大型網絡

缺點：調用DDR有難度，開發周期長

方案三：用片上單片機調用DDR（插入SD卡）分包傳入IPcore運算

優點：可實現大型網絡

缺點：速度較慢

4Virtex-7高端FPGA概覽

Virtex-7為高端FPGA，比Zynq高了一個檔次。

7系列FPGA相關文檔：

原文標題：Xilinx Zynq系列FPGA實現神經網絡中相關資源評估

文章出處：【微信公眾號：FPGA之家】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq