ZYNQ简介
ZYNQ系列是Xilinx推出的高端嵌入式SoC，其在片上集成了ARM处理器和FPGA。ZYNQ与传统的嵌入式CPU相比，具有强大的并行处理能力。开发人员利用FPGA强大的并行处理能力，不仅可以解决多种不同信号处理应用中的大量数据处理问题，而且还能通过加入更多外设来扩展处理系统的功能。ZYNQ通过引入最新的高速AXI-4总线，可轻松实现外设的扩展与高速互访。
ZYNQ SoC十分适用于硬件加速，最典型的架构就是将需要加速的大运算量逻辑部署到FPGA上，而将流程控制的逻辑部署到arm上。典型的ZYNQ SoC结构如图1。
CNN简介
CNN全称卷积神经网络，包括卷积层(convolutional layer)和池化层(pooling layer)。此处不对CNN算法原理进行赘述，仅对网络结构进行简单描述。
图2是一个卷积神经网络的高层次视图。通常情况下，CNN网络会在卷积层和池化层后加入全连接层。
卷积层和池化层的功能是对输入原始图片进行特征提取，而全连接层的功能则是对提取到的特征进行特征映射。除此之外，在全连接层后还需要加入一个功能函数以实现整个网络的功能（图中未画出）。对于监督学习来说，有分类和回归两大功能。例如，在 VGG和Google Net中，在最后都使用了Softmax实现分类；在R-CNN中，在网络后加入Bounding-box regression实现了预选框微调的回归功能。对于功能函数，行业中一派认为应该属于神经网络的一部分，一派认为独立于神经网络之外。
在图2中，输入图片与第一层卷积层的卷积核做卷积操作，形成一排Feature maps（特征图）。在池化层，对每个map进行下采样，形成一排尺寸更小的Feature maps。在接下来的第二层的卷积层和池化层中，以第一层输出的Feature maps作为输入，再进行一次卷积和池化计算。CNN的卷积和池化操作将输入的图片的特征提取并抽象到更高的层级。之后的全连接层以Feature maps中所有特征值作为输入，将提取到的特征映射到所需要的特征空间。
本文以一个简单的手写体识别网络LeNet5（图3）为例，提出一种在ZYNQ上加速CNN的工程方法。LeNet5在两层CNN后加入了全连接层和softmax分类器，实现了对10种数字手写体的分类。
系统框架
ZYNQ上FPGA可编程逻辑部分成为PL端，以arm为核心的处理器部分成为PS端。本系统中，CNN在PL端的FPGA上实现，通过DMA与PS端的Linux交换数据。Linux将CNN参数和输入数据dma到CNN，CNN计算完成后将计算结果dma回Linux。CNN通过vivado HLS设计，各层以数据流方式实现数据传递，可实现全网络流水。通过HLS优化，可将百万级周期的计算环节优化为万级周期。
Linux中，通过DMA驱动控制DMA的数据读写，通过socket与PC交换数据。
在PC的windows中开发上位机。上位机通过以太网将CNN参数下发给Zynq端的Linux应用程序。将输入的图片下发到Zynq端的Linux应用程序，接收Zynq回传的计算结果。（CNN参数文件也可直接拷贝到SD卡中，由ZYNQ上的Linux应用直接读取。数据的输入输出也可通过以太网之外的其他接口实现，这里笔者开发的上位机不是文章的重点，读者可以通过其他方式控制参数的输入和数据的传输）
开发环境
硬件环境
硬件环境包括一台PC电脑和一块搭载有Zynq SoC的开发板，开发板和PC通过网线和串口连接。
软件环境
本文中用到的软件开发工具有：TensorFlow，Vivado HLS ，Vivado，PetaLinux，Visual Studio。
TensorFlow是Google公司开源的深度学习框架，在本文中用于算法的仿真和参数的训练。
Vivado HLS和Vivado 是Xilinx公司Vivado Design Suite套件中的两个软件。vivado-HLS可以将 C，C++ 以及 System C 等高层次语言综合生成HDL级的IP核。Vivado可以将HDL级的文件综合成RTL网表文件，并根据网表文件布局布线生成.bit文件。.bit文件可以直接下载到FPGA中，实现FPGA功能。
PetaLinux工具提供在 Xilinx 处理系统上定制、构建和调配嵌入式 Linux 解决方案所需的所有组件。PetaLinux与 Xilinx 硬件设计工具协同工作，为 Zynq® UltraScale+™ MPSoC、 Zynq®-7000 SoC、和 MicroBlaze™ 简化了 Linux 系统的开发。
Visual Studio在此不做过多介绍，笔者用的是VS2012，使用C#语言开发上位机。上位机通过网络将CNN参数下发给Zynq端的Linux应用程序。将输入的图片下发到Zynq端的Linux应用程序，接收Zynq回传的计算结果。
开发流程
相关链接
TensorFLow安装
https://blog.csdn.net/weixin_39290638/article/details/80045236
Vivado HLS入门
https://blog.csdn.net/weixin_39290638/article/details/80228806
PetaLinux安装及使用
https://china.xilinx.com/support/documentation-navigation/development-to...
本文转载自： https://blog.csdn.net/weixin_39290638/article/details/81155489
