复现基于PYNQ-Z2的手写数字识别卷积加速器设计

来源雪天鱼

基于PYNQ-Z2的手写数字识别卷积加速器设计【持续更新】_雪天鱼的博客-CSDN博客

一、设计思路

 1、输入28 x 28 的图片，非png格式，而是txt格式，将图片数据进行量化，存入到txt文件当中。

2、在PL端实现卷积神经网络LeNet-5，纯verilog实现，包括卷积层，激活层，池化层，全连接层。

3、在PS端输出识别的结果。

LeNet-5神经网络

卷积：28 X 28的图片，我们采用6个5X5的卷积核，卷积后得到6个24X24的图片通道 。

激活：将输出结果做非线性变换。

池化：2X2的最大池化，即将24X24的图片缩小成12X12，表征特征信息

再卷积 ： 再用12个5X5的卷积核进行卷积12X12的图片，提高特征的表达维度，得到12个8X8的通道。

再激活

再池化：2X2的最大池化，即将12个8X8的图片缩小成12个4X4

展开图片成为一维的12X4X4 = 192

进入全连接层，采用10分类输出结果。

模型INT8量化

模型在GPU或者CPU上都是做浮点运算，可能是float32或者float64,但在硬件上没法做浮点运算，因此需要转化为INT8,即用有符号数的8bit来表示权重参数（-127到127）。卷积层和全连接层才有权重参数。

 硬件加速器架构

 

 顶层架构：

二、实现卷积模块