如果你已經在用 MATLAB 做深度學習，那一定知道它的訓練和仿真體驗非常絲滑。但當模型要真正落地到 FPGA 上時，往往就會卡住：怎么把網絡結構和權重優雅地搬到硬件里？

這就是 MathWorks Deep Learning HDL Toolbox 出場的地方。

它能干什么？

簡單來說，這個工具就是把你的神經網絡“翻譯”成 FPGA 能跑的電路。它提供了一個現成的 Deep Learning Processor (DLP) IP 核，能直接放到 FPGA 里跑模型推理。

主要功能有：

自動生成 FPGA 工程：不需要手寫 RTL，只要在 MATLAB 定義好網絡結構，就能一鍵生成 Vivado 工程。

支持常見網絡層：卷積層、全連接層、激活層等常見模塊都內置好，拖上去就能用。

硬件加速 AI 推理：推理過程完全在硬件里跑，沒有軟件瓶頸，延遲低、確定性強。

AXI 接口對接：DLP IP 自帶 AXI4-Lite/AXI4-Stream 接口，方便和其他 FPGA 邏輯或外設對接。

可定制化：支持修改網絡拓撲、算子精度，還能擴展自定義層。

參考設計入門

最快捷的入門方法是先在 MATLAB 中生成參考設計，然后 MATLAB 會生成一個針對 ZCU102 評估板的 Vivado 項目。該設計可以直接在 MATLAB 中使用 JTAG 接口進行測試。

設計架構概述

該架構非常簡單，只需幾分鐘即可運行應用程序。

盡管參考設計使用了 SoC 設備，但處理器僅負責時鐘和復位信號。

該過程從定義 DLP 及其接口的配置文件開始。

接下來，從 MATLAB 庫中導入了一個預訓練的MNIST 分類網絡。通過分析它，我們可以了解待實現網絡的結構。

定義網絡后，處理器就會對其進行配置和優化。

一旦處理器得到優化，我們就可以讓 MATLAB 在 Vivado 中構建深度學習 IP 設計。

完成后就可以打開 Vivado 并探索該項目。將看到 AXI 互連、深度學習 IP 和 AXI 基礎架構。

構建和運行設計

優化完成后，MATLAB 即可為 Vivado 構建 DLP IP 設計。編譯只需幾分鐘，之后 Vivado 項目將顯示 AXI 互連、DLP IP 以及相關基礎架構。

運行硬件示例之前，必須正確配置 Zynq 處理系統 (PS)，否則將不提供時鐘。這可以通過 從附加組件管理器安裝適用于 Xilinx FPGA 和 SoC 設備的深度學習 HDL 工具箱支持包來完成。

附加管理器還提供為 ZCU102 編程 SD 卡的工具，確保 PS 提供所需的時鐘和復位信號。

設置完成后，打開 ZCU102 的電源，將 JTAG 連接到開發板，并從 MATLAB 下載比特流。這還會使用網絡的權重和激活函數配置 FPGA 存儲器。

測試網絡

然后，加載一張簡單的圖像并進行推理。經過訓練識別手寫數字的 MNIST 網絡通過 JTAG 鏈路返回了正確的預測。

由于啟用了分析功能，可以查看推理結果和性能指標。雖然這是一個簡單的網絡，但速度還是很快的。

小結

MathWorks Deep Learning HDL Toolbox 其實就是一條“AI 模型到 FPGA 的高速通道”。

它幫你把 MATLAB 里的深度學習模型，直接翻譯成可運行在 FPGA 上的硬件結構，還自帶了一個成熟的 DLP 引擎，降低了從算法到部署的門檻。

一句話：如果你在 FPGA 上搞 AI，這個工具能幫你把“想法”快速變成“硬件”。

來源：本文轉載自OPENFPGA公眾號