DPU 是什么？
Xilinx® 深度学习处理器单元（DPU）是专用于卷积神经的可配置计算引擎网络。引擎中使用的并行度是设计参数，可以根据需要选择目标设备和应用程序。它包含一组高度优化的指令，并支持大多数卷积神经网络，例如 VGG、ResNet、GoogLeNet、YOLO、SSD、MobileNet、FPN 等，可将 DPU IP 作为一个模块集成到所选 Zynq®-7000 SoC 和 Zynq UltraScale™+ MPSoC 器件的可编程逻辑（PL）中，这些器件与处理系统（PS）直接相连。
AI 开发的新选择
米尔科技 MYD-CZU3EG
MYD-CZU3EG 开发板在原产品的基础上搭载了赛灵思深度学习处理单元 DPU，该部分新功能的增加可以极大的提升产品数据处理与运行效率，结合 DNNDK 工具链，AI 开发者就能用上赛灵思之前发布的算法资源，为 AI 应用落地提供完整支撑，帮助用户实现更为快速的产品开发和迭代。
适用领域
搭载 DPU 后，MYD-CZU3EG 可用于 ADAS，智能安防，工业质检，智能零售等诸多 AI 应用开发。
DNNK 应用开发流程
DNNDK 是一个工具套件，专门设计用于将深度神经网络（DNN）高效高效地部署到 Xilinx FPGA 平台，由量化器、编译器、汇编器、链接器和其他有用的实用程序（例如，探查器，模拟器和运行时库）组成，以提高使用 Xilinx 嵌入式平台开发 DNN 应用程序的效率。下图为 DNNDK 的系统框图（DNNDK 的安装及使用教程可参考 UG1327）：
编译程序
DNNDK 编译流程如下图所示：
下面以 Caffe 模型 -restnet50 为例
列举使用 DNNDK 开发应用的流程：
1.压缩模型
a.拷贝资料
从资料包中拷贝 dnndk 文件夹到安装了 DNNDK 的服务器上，输入模型是浮点型的：float.caffemodel。确保在 float.prototxt 中填写的校准数据集的路径是正确的：
b.量化模型
使用 DECENT 工具量化模型，确保 decen.sh 脚本中对输入和输出的配置是正确的，如下图所示：
确保配置无误后执行脚本：sh decent.sh
运行后等待一段时间会输出以下信息即表示量化完成：
2.编译模型
a.生成 DNNC 工具所需的 .dcf 文件
dlet -f design.hwh
b.使用 DNNC 工具编译模型
sh dnnc_myir.sh
等待一段时间后会输出编译成功的信息：
由于我们使用 c++ 进行部署，所以不需要将 dpu_resnet50_0.elf 转换为 python 使用的 .so 文件。使用 dpu_resnet50_0.elf 和需要部署功能的 main.c 文件即可在开发板上生成可执行文件。
MYD-CZU3EG DPU 使用手册：http://www.myir-tech.com/download.asp?nid=93
开发板卡购买咨询可点击链接： http://www.myir-tech.com/product/myc-czu3eg.htm
文章来源：Xilinx赛灵思官微
