本文转载自： PYNQ开源社区微信公众号
近来卷积神经网络（CNN）的研究十分热门。CNN发展的一个瓶颈就是它需要非常庞大的运算量，在实时性上有一定问题。而FPGA具有灵活、可配置和适合高并行度计算的优点，十分适合部署CNN。
快速开始
环境需求PYNQ v2.4，Python 3.6.5。
需要安装caffe和Lasagne这两个计算平台。我们将使用caffe中预训练的参数并利用Lasagne来搭建网络
具体安装过程参见github项目文件中的 PYNQ案例-分类器.docx这个文档，其包含了本项目的详细操作步骤。
Overlay介绍
PYNQ-Classifcation是一个软件上基于caffe和Lasagne，硬件加速的CNN分类器项目，它使用python语言在PYNQ框架下进行软件编程和硬件驱动。
上图为工程项目示意图。通过软硬件划分，在PS端中负责Linux和通信，而PL端负责运算加速。在PYNQ中加载bit时，PL端的控制部分将以IP核形式呈现。通过Python，对IP核的参数配置来实现控制。
此项目中采用的CNN结构示意图(以CIFAR_10为例子)，本项目中的卷积层由两个子层构成，一个是im2col子层，它的作用是将输入矩阵中的卷积窗口展开乘一维向量，另一个是点乘子层，它的作用是将im2col子层输出的向量和展开成一维的卷积核相乘加。卷积层有一个参数是output_rectify，这对应的是当前卷积层是否应用Relu非线性层，0为否，1为是。池化层(pool)有两种选项，一是最大值池化，二是平均值池化。
项目演示（CIFAR-10为例）
运行
/PYNQ-Classification/python_notebooks/Theano/CIFAR_10/Using a Caffe Pretrained Network - CIFAR10.ipynb
-- 如果想尝试Lenet5则运行
/PYNQ-Classification/python_notebooks/Theano/Lenet/Using a Caffe Pretrained Network - LeNet5.ipynb
它们的notebook类似，只不过硬件上部署的网络不一样
开始
将库都包含进工程，并且读取caffe中预先训练好的CIFAR_10模型。
然后
建立一个Lasagne的网络结构，这个网络结构和硬件中的结构类似，硬件中去掉了第一个ReLU层。将训练好的模型参数导入到这个网络中。
下一步
我们将模型参数导入硬件，使用FPGALoadW函数来实现这一步。函数会打印出一些有关信息。
接下来
导入CIFAR_10数据集
这里我们构建一张新的网络，把原来的中间层换成我们自定义的FPGA_CIFAR10层，这一层把原来的中间层全部包含了进去，并在FPGA上实现。然后输入数据集，得到结果，结果保存在FPGA_predicted中。最后显示了准确度，达到72.8%。这里也会显示一些耗时。
这里我们可以看到这个网络的部分识别结果。
这里再用CPU运行一遍这个网络，可以看到它用时46.5秒，比使用FPGA完成卷积慢了很多。
