FPGA项目：用于数字识别的CNN加速器

从基础到在 Zynq FPGA 上全面部署 CNN 加速器

讲师：Erwin Ouyang

您将学到什么

• 了解 CNN 的基础知识
• 理解CNN的Python模型
• 了解 CNN Accelerator 的 RTL 设计
• 将 CNN 加速器与 Zynq FPGA 上的 ARM 处理器集成
• 开发基于 Web 的 GUI 来与 CNN 加速器进行交互

探索相关主题

• 现场可编程门阵列
• 硬件
• 信息技术与软件

要求

• FPGA、Verilog HDL 和计算机架构的基础知识
• 精通Zynq FPGA和Vivado开发
• 熟练掌握Python编程和Linux命令行操作

描述

你想学习FPGA上的AI加速吗？

本项目在线课程提供了设计人工智能加速器（AI Accelerator）的实用见解，特别是用于手写数字分类的CNN 算法。课程重点关注系统设计层面，即如何将 CNN 模块（以 Verilog RTL 编写）与运行 Linux 的应用处理器集成。该项目的最终成果是一个Web 应用程序，用于获取手写数字，然后将这些数据发送到FPGA上的CNN 加速器进行处理。与 CPU 相比，使用此加速器平均可实现12 倍的加速。

笔记：

• 本课程不面向 FPGA 开发初学者。由于本课程不涵盖这些基础知识，因此学员在注册前需具备使用 Zynq 和 PYNQ 框架进行 FPGA 设计的基本知识。此外，学员还需熟悉 Verilog 和 Python。
• 本课程使用 Vivado 2022.1 和 Xilinx Kria KV260 开发板，但概念并不局限于这些工具或平台。您也可以使用其他版本的 Vivado 或其他 FPGA 开发板进行学习。

什么是 CNN？

卷积神经网络 (CNN) 是一种深度学习模型，尤其适用于处理具有网格结构的数据，例如图像。它的工作原理是通过执行卷积的层自动学习特征的空间层次结构——卷积是一种数学运算，可以从输入数据中提取边缘、纹理和形状等特征。这些层之后通常会接池化层，用于降低空间维度以提高计算效率并防止过拟合。最后的层通常是全连接的，并根据学习到的特征执行分类或回归。由于 CNN 能够有效地捕捉空间模式，它被广泛应用于图像识别、物体检测和面部识别等计算机视觉任务。

什么是CNN加速器？

CNN 需要在 FPGA 上加速，因为它们涉及密集计算，尤其是在卷积运算期间，而这在通用处理器上可能速度慢且功耗高。FPGA 提供并行处理、可定制架构和更低延迟，使其成为加速 CNN 任务并保持能效的理想选择。这对于自动驾驶等实时应用或性能和功耗至关重要的边缘设备尤其有价值。

为什么要使用 Zynq FPGA？

由赛灵思 (Xilinx) 开发的 Zynq FPGA 非常适合 CNN 加速，因为它将可编程逻辑（FPGA 架构）和集成 ARM 处理器集成在单个芯片上。这种混合架构允许在 FPGA 架构中对 CNN 层进行高性能并行处理，同时在 ARM 内核上处理控制和预/后处理任务。凭借其灵活性、低延迟和高能效，Zynq 能够高效地实现定制 CNN 加速器，使其成为机器人、自动驾驶汽车和智能摄像头等嵌入式实时应用的理想选择。

今天就开始学习——立即报名！

本课程提供所有源代码。完成课程后，您将获得认证的结业证书。如果您对本课程不满意，Udemy 提供 30 天全额退款保证，让您无风险学习。课程中见！

本课程适合哪些人：

• 大学生在 FPGA 上开发 AI 加速项目
• 寻求 AI 加速实践经验的 FPGA 工程师
• 任何对学习和构建基于 FPGA 的系统感兴趣的人