用正点原子ZYNQ7020实现mnist数据集的前向推理
项目流程说明
目前的神经网络并不适合在低功耗处理器上进行训练，但是在fpga中单纯用于任务处理还是有点搞头的。。本项目即实现了最最简单网络模型在FPGA上用于识别最最简单手写数字的tiny级任务。
一、生成预先计划的图片数据文件
从网络下载的mnist数据集包括两个csv数据文件，训练集和测试集，需要将其转换为所需的数据文件供PS端加载。
- 原始文件 ：网络下载的mnist数据集包括两个csv数据文件，训练集和测试集。每个文件中的每一行有785个数据，第一列为标记，之后的是784个0~255之间的像素值；
- 需要用数据处理程序读取源文件的某一行并生成 具有特定分隔符 的数据文件；
- 仅作为测试用，一个文件只保存一幅图像数据即可，可以随机多生成几个文件，一是防止网络模型识别错误的小概率事件发生，二是相互对照便于比较PS端程序的稳定性；
- 数据均转化为0~1之间的浮点数，每个数据为4字节；
- 示例程序中使用python脚本读取csv文件，随机生成了5个数据文件。上代码：
import csv
import random
def normalize_pixel_value(value):
"""Normalize the pixel value to be between 0 and 1."""
return float(value) / 255.0
def read_random_row_from_csv(file_path):
"""Read a random row between 1 and 10 from the CSV file and return as a list of normalized floats, excluding the first value."""
with open(file_path, newline='') as csvfile:
reader = list(csv.reader(csvfile))
random_row_index = random.randint(1, 10) - 1 # Randomly select a row index between 0 and 9 (corresponding to rows 1 to 10)
random_row = reader[random_row_index] # Get the selected row
normalized_data = [normalize_pixel_value(value) for value in random_row[1:]] # Skip the first value and normalize the rest
return normalized_data
def write_data_to_file(file_path, data):
"""Write the data to a file with ',\n\r' as the separator."""
with open(file_path, 'w') as file:
for value in data:
file.write(f"{value},\n\r")
def main():
# Read a random row between 1 and 10 from src.csv
normalized_data = read_random_row_from_csv('data/mnist_test.csv')
# Write the normalized data to b.dat
write_data_to_file('out/a05.dat', normalized_data)
if __name__ == "__main__":
main()
二、搭建模型，训练神经网络，得到权重参数
- 搭建的神经网络为两个隐藏层、一个输入层、一个输出层，均为全连接网络层线性层，即y = A * x + B ；
- 输入层节点数为784，隐藏层节点数为64、32，输出层节点数为10；
- 共有3个网络权重文件和3个偏置数据文件，在网络训练完成后需要各个单独保存；
- 这6个网络数据文件需要固化在PL端的IP核中；
- 示例程序中使用python脚本实现了上述功能。上代码：
# Importing necessary libraries
import numpy
import scipy.special
import matplotlib.pyplot
# Defining the neural network class
class neuralNetwork:
# Initializing the neural network
def __init__(self, inputnodes, hiddennodes1, hiddennodes2, outputnodes, learningrate):
self.inodes = inputnodes
self.hnodes1 = hiddennodes1
self.hnodes2 = hiddennodes2
self.onodes = outputnodes
self.lr = learningrate
# Weight initialization
self.wih = numpy.random.normal(0.0, pow(self.inodes, -0.5), (self.hnodes1, self.inodes))
self.whh = numpy.random.normal(0.0, pow(self.hnodes1, -0.5), (self.hnodes2, self.hnodes1))
self.who = numpy.random.normal(0.0, pow(self.hnodes2, -0.5), (self.onodes, self.hnodes2))
# Bias initialization
self.bih = numpy.random.normal(0.0, pow(self.inodes, -0.5), (self.hnodes1, 1))
self.bhh = numpy.random.normal(0.0, pow(self.hnodes1, -0.5), (self.hnodes2, 1))
self.bho = numpy.random.normal(0.0, pow(self.hnodes2, -0.5), (self.onodes, 1))
# Activation function is the sigmoid function
self.activation_function = lambda x: scipy.special.expit(x)
# Training the neural network
def train(self, inputs_list, targets_list):
inputs = numpy.array(inputs_list, ndmin=2).T
targets = numpy.array(targets_list, ndmin=2).T
hidden_inputs1 = numpy.dot(self.wih, inputs) + self.bih
hidden_outputs1 = self.activation_function(hidden_inputs1)
hidden_inputs2 = numpy.dot(self.whh, hidden_outputs1) + self.bhh
hidden_outputs2 = self.activation_function(hidden_inputs2)
final_inputs = numpy.dot(self.who, hidden_outputs2) + self.bho
final_outputs = self.activation_function(final_inputs)
output_errors = targets - final_outputs
hidden_errors2 = numpy.dot(self.who.T, output_errors)
hidden_errors1 = numpy.dot(self.whh.T, hidden_errors2)
self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)),
numpy.transpose(hidden_outputs2))
self.bho += self.lr * numpy.sum(output_errors * final_outputs * (1.0 - final_outputs), axis=1, keepdims=True)
self.whh += self.lr * numpy.dot((hidden_errors2 * hidden_outputs2 * (1.0 - hidden_outputs2)),
numpy.transpose(hidden_outputs1))
self.bhh += self.lr * numpy.sum(hidden_errors2 * hidden_outputs2 * (1.0 - hidden_outputs2), axis=1, keepdims=True)
self.wih += self.lr * numpy.dot((hidden_errors1 * hidden_outputs1 * (1.0 - hidden_outputs1)),
numpy.transpose(inputs))
self.bih += self.lr * numpy.sum(hidden_errors1 * hidden_outputs1 * (1.0 - hidden_outputs1), axis=1, keepdims=True)
# Querying the neural network
def query(self, inputs_list):
inputs = numpy.array(inputs_list, ndmin=2).T
hidden_inputs1 = numpy.dot(self.wih, inputs) + self.bih
hidden_outputs1 = self.activation_function(hidden_inputs1)
hidden_inputs2 = numpy.dot(self.whh, hidden_outputs1) + self.bhh
hidden_outputs2 = self.activation_function(hidden_inputs2)
final_inputs = numpy.dot(self.who, hidden_outputs2) + self.bho
final_outputs = self.activation_function(final_inputs)
return final_outputs
# Method to save weights and biases to file
def save_parameters(self, filename_prefix):
numpy.savetxt(f"out/{filename_prefix}_wih.dat", self.wih, delimiter=",", newline=",\n\r")
numpy.savetxt(f"out/{filename_prefix}_whh.dat", self.whh, delimiter=",", newline=",\n\r")
numpy.savetxt(f"out/{filename_prefix}_who.dat", self.who, delimiter=",", newline=",\n\r")
numpy.savetxt(f"out/{filename_prefix}_bih.dat", self.bih, delimiter=",", newline=",\n\r")
numpy.savetxt(f"out/{filename_prefix}_bhh.dat", self.bhh, delimiter=",", newline=",\n\r")
numpy.savetxt(f"out/{filename_prefix}_bho.dat", self.bho, delimiter=",", newline=",\n\r")
def main():
input_nodes = 784
hidden_nodes1 = 64
hidden_nodes2 = 32
output_nodes = 10
learning_rate = 0.16
n = neuralNetwork(input_nodes, hidden_nodes1, hidden_nodes2, output_nodes, learning_rate)
training_data_file = open("data/mnist_train.csv", 'r')
training_data_list = training_data_file.readlines()
training_data_file.close()
epochs = 15
for e in range(epochs):
for record in training_data_list:
all_values = record.split(',')
inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
targets = numpy.zeros(output_nodes) + 0.01
targets[int(all_values[0])] = 0.99
n.train(inputs, targets)
# Save the weights and biases after training
n.save_parameters("mnist")
test_data_file = open("data/mnist_test.csv", 'r')
test_data_list = test_data_file.readlines()
test_data_file.close()
scorecard = []
for record in test_data_list:
all_values = record.split(',')
correct_label = int(all_values[0])
inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
outputs = n.query(inputs)
label = numpy.argmax(outputs)
scorecard.append(1 if label == correct_label else 0)
scorecard_array = numpy.asarray(scorecard)
print("performance = ", scorecard_array.sum() / scorecard_array.size)
if __name__ == "__main__":
main()
三、HLS设计
- 加载训练好的神经网络数据文件，可以在代码中添加预编译： #inculde 文件 指令，HLS支持。。。
- HLS需要用 c++ 代码实现线性层和激活层的运算，主要为for循环；
- 添加约束和优化指令，主要是指定输入输出端口为bram总线型；最好关闭一些for循环的流水线，否则dsp资源不够用;
- 编写测试文件对源文件进行调试，减少返工。。
- 示例程序中上述功能测试已经过运行验证 。
四、Vivado设计
- 导入生成的IP核，正点原子的板卡不要忘了修改makefile文件；
- 需要用到的外设有 DDR、UART、SD ，另外再添加上bram控制器和生成器，然后添加自定义的网络模型IP核，IP核不用更改内部参数设置，分配合适的地址和空间即可；
- 分析综合布局布线生成bit文件并导出硬件平台信息;
- 示例程序中上述功能测试已经过运行验证。
五、Vitis设计
- 导入硬件平台信息，导入板级包支持Fat系统文件操作；
- 编写c代码源文件，主要是从SD卡读取图片信息，然后送入网络模型入口，然后从网络模型出口处读取数据，经过串口打印显示；
- 注意内存地址的读写容易出问题
从而陷入异常无限循环无法自拔。。 - 示例程序中上述功能测试已经过运行验证，其识别效果并不稳定，时好时坏，暂未解决。。。。（不过可以肯定的是PL的IP核是有用的，基本目的已经达成。）
- 后续可优化的部分还有，额，很多很多，如果有哪位大佬有相关的优化想法和方法或者相关问题的解决方案，还望一起交流啊~，先谢了
程序说明
本文所使用的源代码和模型结构大部分基于这篇文章进行微调（换了个马甲）：
如何从零开始将神经网络移植到FPGA(ZYNQ7020)加速
参考贴文链接：： 如何从零开始将神经网络移植到FPGA(ZYNQ7020)加速
本项目代码已经发布到Github，若需要请自取，链接地址 ：：zynq7020_mnist 项目文件
扫一扫
1811
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
