今天給大家介紹一下FPGA上部署深度學習的算法模型的方法以及平臺。希望通過介紹，算法工程師在FPGA的落地上能“稍微”緩和一些，小白不再那么迷茫。阿chai最近在肝一個開源的項目，等忙完了會給大家出幾期FPGA上從零部署的教程，包括一些底層的開發、模型的量化推理等等，因為涉及的東西太多了，所以得分開寫。

FPGA與“迷宮”

深度學習這里就不多介紹了，我們接下來介紹一下FPGA是什么。FPGA是現場可編程邏輯門陣列，靈活性非常高，現場編程真的香。說到這里小伙伴們可能還是不太明白，那么我們和ARM對比一下，ARM可以理解為比如這有一個迷宮，迷宮有很多進口也有對應的出口，道路中間有很多“暗門”可以走，對ARM芯片做編程就是觸發當中一條通路，路是死的，我們不好改變。

FPGA是如果我們想要一個迷宮，FPGA給提供了一個大的“盒子”，里面有很多的“隔板”，我們自己搭建一條就可以了，你想要什么樣的路就什么樣子，類似玩我的世界，只不過“礦”是各種邏輯門。那就意味著，FPGA可以設計外圍電路也可以設計CPU，是不是很爽。

當然，爽的背后開發難度也是相當的大的，這種“特定屬性”非常時候做人工智能的算法加速。由于制作特殊電路，FPGA之前經常用做信號處理中，配合DSP或者ARM使用，后來也有用FPGA或者CPLD搭建“礦機”當“礦老板”（祝愿”挖礦“的天天礦難）。

小白入門A：PYNQ

PYNQ是Python + ZYNQ，用Python進行FPGA開發，首先強調一點，Python近幾年非常火，雖然很強大，但是他開發硬件不是真的就做硬件，希望大家不要迷。教程：https://github.com/xupsh/Advanced-Embedded-System-Design-Flow-on-Zynq我們類比一下很火的MicroPython，使用Python開發硬件是得有特定的電路設計的，除非自己是大佬修改底層的固件，但是都修改底層了，是不是可以自己開發就好了。

當然這個是面向小白的，對應的開發板如下圖。這個板子類似我們之前玩MicroPython，也是各種調包。實際上ZYNQ是一個雙核ARM Cortex-A9處理器和一個FPGA，使用Python的話可以通過Jupyter進行開發，是不是很香，所以這個非常適合小白。FPGA上跑BNN（二值神經網絡）是非常不錯的。

“PYNQ-Z1不同的機器學習數據集（dataset）的測試結果顯示：對于MNIST數據集PYNQ-Z1能實現每秒168000張圖片的分類，延遲102微妙，準確率達98.4%；對于CIFAR-10、SVHN、GTSRB數據集PYN1-Z1能實現每秒1700張圖片的分類，延遲2.2毫秒，準確率分別為80.1%、96.69%和97.66%，系統功耗均保持在2.5W左右。”這個到底有多方便，我們看一段代碼，首先我們調用模型：

import bnn hw_classifier = bnn.CnvClassifier（bnn.NETWORK_CNVW1A1，‘cifar10’，bnn.RUNTIME_HW） sw_classifier = bnn.CnvClassifier（bnn.NETWORK_CNVW1A1，‘cifar10’，bnn.RUNTIME_SW）進行測試：

from IPython.display import display im = Image.open（‘car.png’） im.thumbnail（（64， 64）， Image.ANTIALIAS） display（im） car_class = hw_classifier.classify_image_details（im） print（“{： 》10}{： 》13}”.format（“［CLASS］”，“［RANKING］”）） for i in range（len（car_class））： print（“{： 》10}{： 》10}”.format（hw_classifier.classes［i］，car_class［i］））同樣支持matplotlib進行數據可視化：

%matplotlib inline import matplotlib.pyplot as plt x_pos = np.arange（len（car_class）） fig， ax = plt.subplots（） ax.bar（x_pos - 0.25， （car_class/100.0）， 0.25） ax.set_xticklabels（hw_classifier.classes， rotation=‘vertical’） ax.set_xticks（x_pos） ax.set plt.show（）這不就是Python嘛，真的是非常的方便，而且圖像處理也兼容使用Pillow。文件中給出了一些圖像識別的例子，大家可以去看看。改天阿chai給大家出一個從零搭建PYNQ的教程，包括模型的量化推理等等。

小白入門B：DPU

DPU是一個用于卷積神經網絡的可編程引擎。該單元包含寄存器配置模塊、數據控制器模塊和卷積計算模塊。當然，強大的PYNQ也是支持使用DPU的，如果用這個直接看Python的API就可以了，開發板可以使用ZCU104。大神很多直接用ZYNQ開整的，但是那個難度真的不適合初學者去看，等忙完了項目阿chai給小伙伴們整個這個的教程。我們首先clone下來項目并且編譯：

git clone https://github.com/Xilinx/DPU-PYNQ.git cd DPU-PYNQ/upgrade make安裝pynq-dpu：

pip install pynq-dpu啟動jupyter-notebook：

pynq get-notebooks pynq-dpu -p 。模型庫在如下鏈接中。模型庫：https://github.com/Xilinx/Vitis-AI/tree/v1.3對于DPU的設計，我們需要在自己的電腦上進行，在添加模塊后，我們使用如下命令進行編譯：

make BOARD=《Board》對于ZYNQ+DPU的開發過程阿chai會單獨出一期，因為涉及的東西太多了。。。

支持國產框架：Paddle-Lite

既然python都可以，那肯定Paddle-Lite這種推理框架也是可行的，百度也有專門的部署開發套件 EdgeBoard。EdgeBoard是基于Xilinx Zynq UltraScale+ MPSoC系列芯片打造的計算卡，芯片內部集成ARM處理器+GPU+FPGA的架構，既具有多核處理能力、也有視頻流硬解碼處理能力，還具有FPGA的可編程的特點。其實部署的思路小伙伴們應該有一些眉目了，就是將自己訓練的深度學習模型轉換成Paddle Lite模型，然后移植到EdgeBoard開發板上進行測試。接下來我們簡單看看是怎樣操作的。EdgeBoard中模型的測試由json文件做管理：

{ “model”：“測試的模型”， “combined_model”：true， “input_width”：224， “input_height”：224， “image”：“測試的路徑”， “mean”：［104，117，124］， “scale”：1， “format”：“BGR” “threshold”：0.5 }詳細的操作請前往Paddle Lite的GitHub，這里只做簡單的流程介紹。GitHub： https://github.com/PaddlePaddle/Paddle-Lite如果不想編譯，直接在如下網址中下載編譯好的文件即可。編譯后的文件：https://ai.baidu.com/ai-doc/HWCE/Yk3b95s8o

1.安裝測試

我們首先在有在開發板上編譯Paddle Lite，編譯的時候需要設置cmake的參數，設置LITE_WITH_FPGA=ON和LITE_WITH_ARM=ON，問就是我們都用到。對應的FPGA的編譯腳本是lite/tools/build_FPGA.sh，我們執行即可。

sh 。/lite/tools/build_fpga.sh make publish_inference -j2接下來我們編譯示例demo，demo也在剛才的下載鏈接中。板子的使用過程請參考百度官方的文檔，文檔介紹的非常的清楚，阿chai這里就不花時間去講解使用過程了。然后進入demo中進行編譯：

# classification cd /home/root/workspace/sample/classification/ mkdir build cd build cmake 。。 makebuild目錄下會出現image_classify和video_classify兩個可執行文件，圖片預測運行image_classify文件。使用FPGA 進行resnet50進行測試：

。/image_classify_fpga_preprocess 。。/configs/resnet50/drink.json 可以看到對應的輸出結果，同樣detection的模型測試方式也這樣操作。

2.可調用的接口

C++

C++的主要包括預處理以及預測庫的接口。

預處理接口主要是使用FPGA完成圖片的縮放、顏色空間轉換和mean/std操作。

預測庫接口主要完成模型的初始化、輸入參數構造、預測和結果獲取。

預處理接口示例：

/** * 判斷輸入圖像是否是wc 16對齊 * width 輸入圖像寬度 * channel 輸入圖像高度 **/ bool img_is_align（int width， int channel）; /** * 對齊后的大小 * width 輸入圖像寬度 * channel 輸入圖像高度 **/ int align_size（int width， int channel）; /** * 分配存放圖片的內存，析構函數會自動釋放 （目前支持BGR-》RGB RGB-》BGR YUV422-》BGR YUV-》RGB） 圖像最大分辨率支持1080p * height 輸入圖像的框 * width 輸入圖像寬度 * in_format 輸入圖像格式 參考image_format * return uint8_t* opencv Mat CV_8UC3 **/ uint8_t* mem_alloc（int img_height， int img_width， image_format in_format）;預測庫使用步驟1、模型初始化，構建預測對象

std：：unique_ptr《paddle_mobile：：PaddlePredictor》 g_predictor; PaddleMobileConfig config; std：：string model_dir = j［“model”］; config.precision = PaddleMobileConfig：：FP32; config.device = PaddleMobileConfig：：kFPGA; config.prog_file = model_dir + “/model”; config.param_file = model_dir + “/params”; config.thread_num = 4; g_predictor = CreatePaddlePredictor《PaddleMobileConfig， PaddleEngineKind：：kPaddleMobile》（config）;2、輸入輸出參數

std：：vector《PaddleTensor》 paddle_tensor_feeds; PaddleTensor tensor; tensor.shape = std：：vector《int》（{1， 3， input_height， input_width}）; tensor.data = PaddleBuf（input， sizeof（input））; tensor.dtype = PaddleDType：：FLOAT32; paddle_tensor_feeds.push_back（tensor）; PaddleTensor tensor_imageshape; tensor_imageshape.shape = std：：vector《int》（{1， 2}）; tensor_imageshape.data = PaddleBuf（image_shape， 1 * 2 * sizeof（float））; tensor_imageshape.dtype = PaddleDType：：FLOAT32; paddle_tensor_feeds.push_back（tensor_imageshape）; PaddleTensor tensor_out; tensor_out.shape = std：：vector《int》（{}）; tensor_out.data = PaddleBuf（）; tensor_out.dtype = PaddleDType：：FLOAT32; std：：vector《PaddleTensor》 outputs（1， tensor_out）;3、預測

g_predictor-》Run（paddle_tensor_feeds， &outputs）;4、獲取結果

float *data = static_cast《float *》（outputs［0］.data.data（））; int size = outputs［0］.shape［0］;

Python

EdgeBoard系統已經安裝了python環境，用戶可直接使用即可，同時python接口為用戶提供了paddlemobile的python安裝包以及示例工程。文件名稱說明

paddlemobile-0.0.1.linux-aarch64-py2.tar.gzpaddlemobile的python2安裝包

edgeboard.py基于python的模型預測示例

api.pyedgeboard.py的api示例

configs.classification分類模型的配置文件目錄，同C++示例的配置文件

configs.detection檢測模型的配置文件目錄，同C++示例的配置文件

models.classification分類模型的模型文件目錄，同C++示例的模型文件

models.detection檢測模型的模型文件目錄，同C++示例的模型文件

安裝paddlemobile-python SDK，在根目錄中解壓

tar -xzvf home/root/workspace/paddlemobile-0.0.1.linux-aarch64-py2.tar.gz例如使用分類模型的測試如下：

python api.py -j 你測試的json文件詳細的使用說明請關注Paddle-Lite的GitHub。

編輯：jq